Sumber Jurnal : http://juti.if.its.ac.id/index.php/juti/article/view/574/325
Proses komunikasi antara
penyandang tunarungu dan tunawicara dapat dipahami antar sesama dengan baik
karena mereka sudah terbiasa sehari-harinya menggunakan bahasa isyarat. Namun
untuk orang normal akan kesulitan untuk memahami bahasa isyarat yang disampaikan
oleh penyandang tunarungu dan tunawicara karena ada perbedaan metode
komunikasi, begitu juga sebaliknya, penyandang tunarungu dan tunawicara akan
kesulitan memahami bahasa yang disampaikan oleh orang normal. Untuk itu
dibutuhkan sebuah sistem yang dapat menerjemahkan perbedaan metode komunikasi
antara komunikasi bahasa isyarat dengan komunikasi bahasa normal. Untuk
menangani masalah tersebut maka dibangun sebuah sistem pengenalan bahasa
isyarat.
Generalized classifier neural
network (GCNN) merupakan metode klasifikasi yang diusulkan untuk melakukan
klasifikasi dengan akurasi yang tinggi [8]. Pada proses klasifikasi beberapa
dataset yang diuji, GCNN memiliki akurasi yang lebih baik dibandingkan dengan
metode GRNN dan PNN. Logarithmic learning for generalized classifier neural network
(L-GCNN) merupakan metode pengembangan
dari GCNN yang bertujuan untuk mengurangi waktu yang dibutuhkan pada proses
klasifikasi dan meningkatkan akurasi klasifikasi . LGCNN sangat handal dalam
menangani klasifikasi data, bahkan memiliki akurasi yang lebih baik dan
komputasinya lebih cepat dibandingkan dengan GCNN setelah dilakukan
perbandingan pada proses klasifikasi terhadap beberapa dataset.
Pada penelitian ini diusulkan
sistem pengenalan bahasa isyarat SIBI yang mengkombinasikan fitur statis dan fitur
dinamis yang didapatkan dari LMC berbasis L-GCNN. Fitur statis average spread,
average tri-spread, dan extended distance dimanfaatkan untuk pengenalan bahasa
isyarat yang bersifat statis sedangkan fitur dinamis hand dynamic gesture
dimanfaatkan untuk pengenalan bahasa isyarat yang bersifat dinamis. L-GCNN
digunakan untuk melakukan klasifikasi antara data uji coba terhadap data latih
atau data model dari fitur statis dan fitur dinamis pada LMC. Metode yang
diusulkan diharapkan dapat meningkatkan akurasi pengenalan bahasa isyarat yang
bersifat statis maupun bahasa isyarat yang bersifat dinamis. Pengenalan bahasa
isyarat yang efektif dan efisien dapat membantu memudahkan komunikasi antara
orang penyandang tunarungu dan tunawicara.
