Pengenalan Bahasa Isyarat SIBI Menggunakan Fitur Statis dan Dinamis LMC Berbasis RB-L-GCNN

., Supria (2016) Pengenalan Bahasa Isyarat SIBI Menggunakan Fitur Statis dan Dinamis LMC Berbasis RB-L-GCNN. Masters thesis, Institut Teknologi Sepuluh Nopember.

Preview

Text 5114201059-Master_Thesis.pdf - Accepted Version Download (1MB) | Preview

Abstract

Proses komunikasi antara penyandang tunarungu dan tunawicara dapat
dipahami antar sesama dengan baik karena mereka sudah terbiasa sehari-harinya
menggunakan bahasa isyarat. Namun sebagian besar orang normal akan kesulitan
untuk memahami bahasa isyarat yang disampaikan oleh penyandang tunarungu
dan tunawicara, begitu juga sebaliknya, penyandang tunarungu dan tunawicara
akan kesulitan memahami bahasa yang disampaikan oleh orang normal. Untuk
mengatasi masalah tersebut maka dibangun sebuah sistem pengenalan bahasa
isyarat dengan menggunakan Leap Motion Controller (LMC). Pada penelitian
sebelumnya, pengenalan bahasa isyarat American Sign Language (ASL)
menggunakan LMC dengan menggunakan fitur yang bersifat statis berdasarkan
pada KNN dan SVM memiliki akurasi pengenalan yang cukup baik.Namun
metode tersebut hanya dapat mengenal bahasa isyarat yang bersifat statis. Padahal
bahasa isyarat ada dua macam yaitu bahasa isyarat yang bersifat statis dan bahasa
isyarat yang bersifat dinamis. Selain itu Logarithmic Learning for Generalized
Classifier Neural Network (L-GCNN) merupakan metode yang handal dalam
menangani klasifikasi data. Namun ketika L-GCNN digunakan pada data yang
memiliki kelas yang banyak maka akan terjadi overfitting atau kesulitan dalam
menentukan kelas pada data.
Pada penelitian ini diusulkan pengenalan bahasa isyarat SIBI yang
mengkombinasikan fitur statis dan fitur dinamis dari LMC berdasarkan Rule
BasedL-GCNN (RB-L-GCNN). Dimana fitur statis dimanfaatkan untuk
pengenalan bahasa isyarat yang bersifat statis, sedangkan fitur dinamis
dimanfaatkan untuk mengenal bahasa isyarat yang bersifat dinamis. Rule based
dimanfaatkan untuk mengurangi terjadinya overfitting pada metode klasifikasi LGCNN.
Dari hasil pengujian yang dilakukan pengenalan bahasa isyarat SIBI
dengan menggunakan kombinasi fitur statis dengan fitur dinamis dapat mengenal
bahasa isyarat yang bersifat statis maupun bahasa isyarat yang bersifat dinamis.
Sedangkan pembentukan rule based pada L-GCNN dapat meningkatkan akurasi
pengenalan hingga 6.67%\
======================================================================================================
The process of communication between the deaf and dumb people can be
understood by each other well because they are already familiar to sign language.
However, most of normal people will find it hard to understand sign language
conveyed by the deaf and dumb people, and vice versa, the deaf and dumb people
will have trouble to understand the language conveyed by normal people. To
overcome these problems, we will develop a sign language recognition system
using Leap Motion Controller (LMC). In previous research, the sign language
recognition of American Sign Language (ASL) uses LMC that it uses the static
features based on KNN and SVM that has recognition accuracy well. But, these
methods can only recognize the static sign language. Where the sign language has
two types, static sign language and dynamic sign language. Moreover
Logarithmic Learning for Generalized Classifier Neural Network (L-GCNN) is a
reliable methods to overcome data classification. But, when L-GCNN is used to
data that have many classes, it will occur overfitting in determining the class of
the data.
In this study, we propose the SIBI sign language recognition which
combines static and dynamic features of the LMC based on Rule Based L-GCNN
(RB-L-GCNN). The static features is used for the recognition of static sign
language, and the dynamic features is used to recognize the dynamic sign
language. Rule based is used to reduce the occurrence of overfitting in L-GCNN
classification methods.
From the results of tests performed SIBIsign language recognition using a
combination of static features with dynamic features can recognize static sign
language or dynamic sign language. While the establishment of the rule based on
L-GCNN can improve recognition accuracy up to 6.67%

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.454 Sup p
Uncontrolled Keywords:	Pengenalan bahasa isyarat, leap motion controller, fitur statis dan dinamis, rule based, L-GCNN.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7895.S65 Speech recognition systems
Depositing User:	Mr. Tondo Indra Nyata
Date Deposited:	14 Apr 2020 01:06
Last Modified:	14 Apr 2020 01:06
URI:	http://repository.its.ac.id/id/eprint/75772

Actions (login required)

View Item