Penggunaan Dual Sensor Leap Motion Controller untuk Sistem Isyarat Bahasa Indonesia (SIBI)

Nugraha, Syaiful; Murti, Darlis Heru; Khotimah, Wijayanti Nurul

doi:10.19184/isj.v4i2.12634

Cited by 3 publications

(6 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The results of the tests that have been carried out, by optimizing the features of this Indonesian sign, the LMC sensor overall has a good recognition accuracy. In previous studies, it was stated that the use of dual sensors obtained an average accuracy of 84.36% from the combination of feature data and sensor layout [10]. By referring to the addition of features or characteristics of each signal form, the resulting accuracy can be increased compared to using three static features and one dynamic feature, so that in this study each class has six static features and one dynamic feature.…”

Section: Scenariomentioning

confidence: 88%

“…The sensor layout design is used to position each sensor to be able to capture the form of a given sign language that is captured from various angles, namely 0 degrees, 90 degrees, 120 and 120 degrees. [10]. Fig.…”

Section: Dual Sensor Designmentioning

confidence: 99%

“…Feature extraction is the process of selecting or taking a feature and characteristic from the previously inputted sign form. There is table 1 above are the features used in previous studies [10]. Therefore, in this study, several other features were added which aim to provide more detailed characteristics or in other words optimize the formation of features from the given signal.…”

Section: Feature Optimizationmentioning

confidence: 99%

“…In previous studies, the results obtained from the use of dual sensors stated that the accuracy of some of these scenarios could increase sensor performance by 5.35% or with an average accuracy of 84.36%. [10].…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Feature Optimization on Dual Leap Motion Controller for Indonesian Sign Language

et al. 2021

Self Cite

View full text Add to dashboard Cite

Sign language is a language formed by a combination of finger, hand, body movements and facial expressions used by persons with disabilities such as deaf and speech impaired. One of these sign language recognitions is recognition using Leap Motion Controller (LMC) sensor technology. In addition to the sign language that is formed has diversity such as folded fingers, hidden fingers, indonesian sign forms also have characteristics and shapes that are almost similar to one another. The LMC sensor is not always able to recognize all forms of signs properly. In this study, optimization is proposed at the feature level where optimization aims to provide more detailed features and characteristics of each sign language formed. The stages of the process are designing the layout of the sensors, adding features and combining feature data from each sensor. The test of the feature optimization on this dual LMC sensor can provide an increase in the recognition accuracy of the given Indonesian sign language. The Indonesian sign language can be recognized well with an average accuracy of 87.24% and the optimization carried out is able to produce an increase in accuracy of up to 2.88%.

show abstract

Section: Scenariomentioning

confidence: 88%

Section: Dual Sensor Designmentioning

confidence: 99%

Section: Feature Optimizationmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Feature Optimization on Dual Leap Motion Controller for Indonesian Sign Language

et al. 2021

Self Cite

View full text Add to dashboard Cite

show abstract

“…DeepCNN dan BiLSTM digunakan untuk mengenali Bahasa Isyarat Indonesia. Bahasa Isyarat juga menjadi objek dalam penelitian [8] [9] dan [10].…”

unclassified

Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network

Rivan

Hartoyo

2022

JuTISI

View full text Add to dashboard Cite

Bahasa Isyarat Indonesia adalah isyarat kata yang awalnya diambil dari isyarat yang disampaikan oleh anak tunarungu. Bahasa isyarat adalah hal yang biasa bagi orang tuli dan bisu, tetapi tidak asing bagi orang biasa. Untuk itu diperlukan perantara alternatif yang dapat menjadi penerjemah antara penyandang tunarungu dan tuna wicara sertamasyarakat biasa. Penelitian ini bertujuan untuk mengklasifikasikan sistem isyarat bahasa Indonesia menggunakan metode Convolutional Neural Network dengan arsitektur VGG (Visual Geometric Group)-16 dan Alexnet. Data terdiri dari huruf A sampai dengan huruf Z yaitu 320 data uji, 1600 data latih, dan 320 data validasi, dan data akan diubah ukurannya menjadi ukuran 224 x 224 piksel, dilanjutkan dengan grayscale dan augmentasi. Hasil pengujian VGG-16 menunjukkan bahwa klasifikasi menggunakan VGG-16 dengan optimasi Adam mendapatkan tingkat akurasi tertinggi, yaitu 99,32% untuk setiap huruf, 91,18% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan VGG-16 dengan optimasi SGD mendapatkan tingkat akurasi terendah, yaitu 98,85% untuk setiap huruf dan 84,96% untuk keseluruhan. Sedangkan dari hasil pengujian AlexNet terlihat bahwa hasil klasifikasi menggunakan AlexNet dengan Adam optimizer mendapatkan tingkat akurasi tertinggi, yaitu 99,16% untuk setiap huruf dan 89,04% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan AlexNet dengan pengoptimal SGD mendapatkan tingkat akurasi terendah, yaitu 97,33% untuk setiap huruf dan 68,33% untuk keseluruhan.

show abstract

Deteksi Gerakan Bahasa Isyarat Menggunakan Euclidean Distance

Insani,

Arifin,

Rasyid

2023

Informatik : Jurnal Ilmu Komputer

View full text Add to dashboard Cite

Orang yang memiliki keterbatasan pendengaran/wicara akan sulit berkomunikasi secara lisan dengan orang normal. Cara berkomunikasinya dapat menggunakan tulisan yang lambat dan tidak efisien atau dengan bahasa isyarat. Bahasa isyarat menjadi satu-satunya metode yang efisien digunakan bagi orang dengan keterbatasan pendengaran/wicara. Sedangkan kebanyakan masyarakat normal tidak dapat menggunakan bahasa isyarat. Sehingga sistem untuk mendeteksi bahasa isyarat menjadi sebuah kebutuhan untuk membantu masyarakat dengan keterbatatasan komunikasi secara lisan. Penelitian ini bertujuan untuk mendeteksi bahasa isyarat kedalam teks sesuai dengan makna yang sebenarnya. Pengambilan data dilakukan menggunakan Leap Motion dengan 15 data gerakan isyarat tangan yang memiliki gerakan dasar dan kemiripan dalam gerakannya. Data yang digunakan dalam penelitian ini berupa isyarat abjad A, B, W, M, N, J, Z dan isyarat kata dia, pakai, saya, kakak, adik bingung, kecewa, hai. Metode yang digunakan pada penelitian ini adalah euclidean distance untuk mencari jarak minimum dari nilai support vector yang terdeteksi sama. Inputan pada proses uji adalah huruf W yang dilakukan secara realtime memiliki kemiripan gerakan isyarat dengan huruf B dan kata kecewa nilai Euclidean distance yaitu 0.5475649269013902 maka inputan tersebut dapat terdeteksi sesuai dengan makna yang sebenarnya. Hasil akurasi rata-rata yang didaparkan dari keseluruhan tahap pengujian 15 data gerakan sebesar 88,7%.

show abstract

Penggunaan Dual Sensor Leap Motion Controller untuk Sistem Isyarat Bahasa Indonesia (SIBI)

Cited by 3 publications

References 13 publications

Feature Optimization on Dual Leap Motion Controller for Indonesian Sign Language

Feature Optimization on Dual Leap Motion Controller for Indonesian Sign Language

Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network

Deteksi Gerakan Bahasa Isyarat Menggunakan Euclidean Distance

Contact Info

Product

Resources

About