Analisis Perbandingan Algoritma Machine Learning Dan Deep Learning Untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI)

Naufal, Mohammad Farid and Kusuma, Selvia Ferdiana (2023) Analisis Perbandingan Algoritma Machine Learning Dan Deep Learning Untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 10 (4). pp. 873-882. ISSN 2355-7699, e-ISSN: 2528-6579

PDF 6823-31258-2-PB.pdf - Published Version Download (2MB)

Abstract

Terdapat orang yang tidak mampu berkomunikasi secara verbal yang menyebabkan kesulitan dalam berkomunikasi. Orang tersebut mengalami gangguan seperti tuli atau bisu. Mereka hanya dapat berkomunikasi melalui bahasa isyarat salah satunya adalah Sistem Isyarat Bahasa Indonesia (SIBI). Pengenalan Bahasa Isyarat adalah permasalahan klasifikasi yang kompleks untuk dipecahkan. Setiap bahasa isyarat memiliki sintaks dan tata bahasanya sendiri. Computer vision adalah sebuah Teknik yang digunakan komputer untuk melakukan klasifikasi citra. Computer vision membantu pengenalan citra SIBI secara otomatis sehingga memudahkan orang normal berkomunikasi dengan orang tuli atau bisu. Pada penelitian sebelumnya belum ada yang melakukan perbandingan algoritma klasifikasi machine learning dan deep learning untuk pengenalan SIBI. Perbandingan penting dilakukan untuk melihat efektifitas tiap algoritma klasifikasi dalam hal performa klasifikasi dan waktu komputasi. Algoritma klasifikasi machine learning memiliki waktu komputasi lebih rendah sedangkan Deep learning memiliki performa klasifikasi lebih tinggi. Penelitian ini menganalisis time to performance dari algoritma machine learning dan deep learning dalam melakukan klasifikasi citra SIBI huruf A hingga Z. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Convolutional neural network (CNN) dengan transfer learning adalah tiga algorimta klasifikasi populer yang dibandingkan dalam penelitian ini. Arsitektur transfer learning yang digunakan adalah Xception, ResNet50, VGG15, dan MobileNetV2. Dari hasil penelitian yang dilakukan menggunakan 5 cross validation, CNN dengan arsitektur Xception memiliki nilai F1 Score tertinggi yaitu 99,57% dengan waktu training rata-rata 1.387 detik. Sedangkan KNN dengan nilai K = 1 memiliki waktu tra

Item Type:	Article
Uncontrolled Keywords:	klasifikasi SIBI, KNN, SVM, CNN, machine learning, deep neural network
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering > Department of Informatic
Depositing User:	MOHAMMAD FARID NAUFAL
Date Deposited:	10 Aug 2023 07:37
Last Modified:	10 Aug 2023 07:37
URI:	http://repository.ubaya.ac.id/id/eprint/44695

Actions (login required)

View Item