Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number T-1264 (Softcopy T-972) Source code T-327 Mak T-68
Collection Type Tesis
Title Pengenalan Gesture dan Non Gesture pada Kalimat SIBI (Sistem Isyarat Bahasa Indonesia) Menggunakan Threshold Conditional Random Field
Author I Gusti Bagus Hadi Widhinugraha;
Publisher Depok: Fasilkom UI, 2020
Subject
Location FASILKOM-UI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
T-1264 (Softcopy T-972) Source code T-327 Mak T-68 TERSEDIA
Tidak ada review pada koleksi ini: 48248
vi Universitas Indonesia ABSTRAK Nama : I Gusti Bagus Hadi Widhinugraha Program Studi : Magister Ilmu Komputer Judul : Pengenalan Gesture dan Non Gesture pada Kalimat SIBI (Sistem Isyarat Bahasa Indonesia) Menggunakan Threshold Conditional Random Field Bahasa isyarat merupakan suatu tatanan gerakan yang mewakili suatu kosakata pada bahasa tertentu dan memiliki fungsi untuk membantu penyandang tunarungu dalam mengatasi masalah berkomunikasi. Namun tidak semua masyarakat umum menguasai bahasa isyarat. Dari permasalahan tersebut, sistem penerjemah bahasa isyarat diperlukan dalam membantu proses komunikasi penyandang tunarungu. Sistem penerjemah memerlukan sebuah video gerakan bahasa isyarat untuk kemudian dapat dikenali. Dalam sebuah video utuh yang berisi satu sequence gerakan kalimat isyarat, terdapat dua jenis gerakan yaitu gerakan isyarat (gesture) yang mengandung arti dan gerakan transisi (non gesture). Pada penelitian ini diusulkan metode untuk menngenali gesture dan non gesture pada kalimat SIBI (Sistem Isyarat Bahasa Indonesia) menggunakan Threshold Conditional Random Field (TCRF). Data yang digunakan adalah 2.255 video rekaman gerakan untuk 28 isyarat kalimat pada SIBI yang di peragakan oleh tiga orang guru dan dua orang murid dari SLB Santi Rama Jakarta. Untuk merepresentasikan data, pada penelitian ini dibandingkan teknik ekstraksi fitur skeleton, image, gabungan (gabungan antara fitur skeleton dan fitur image) dan MobileNetV2. Untuk klasifikasi digunakan metode TCRF dengan variasi nilai threshold dari 1 sampai 4 dan metode Bi-LSTM. Berdasarkan hasil eksperimen, masing-masing teknik ekstraksi fitur menghasilkan akurasi terbaik sebesar 72.5% untuk skeleton dengan threshold 2, 70.3% untuk image dengan threshold 2, 68.5% untuk gabungan dengan threshold 2 dan 93.2% untuk MobileNetV2 dengan threshold 1.5. Berdasarkan akurasi tersebut teknik ekstraksi fitur dengan model MobileNetV2 dapat merepresentasikan data lebih baik dibandingkan dengan ekstraksi skeleton, image, dan gabungan. Kata Kunci: Pengenalan Bahasa Isyarat , Threshold Conditional Random Field, SIBI
Latest Collection
Favorite