Text

Pengenalan Bahasa Isyarat Huruf Abjad Menggunakan Metode Learning Vector Quantization (LVQ) 055.133 YUL p

---

ABSTRAK

Komunikasi paling efektif bagi mereka yang kurang beruntung (dalam hal ini penderita tuna
rungu) adalah komunikasi non verbal. Komunikasi non verbal menggunakan gerakan tangan
maupun gerakan tubuh dalam komunikasinya. Pada masyarakat umum masih sedikit yang
mengerti bahasa isyarat, maka penelitian ini bertujuan mengimplementasikan aplikasi
pengenalan bahasa isyarat huruf abjad secara komputasi menggunakan pengenalan pola.
Jaringan syaraf tiruan Learning Vector Quantization (LVQ) dapat digunakan untuk
melakukan klasifikasi sebuah pola berdasarkan permasalahan tertentu seperti halnya dalam
pengenalan bahasa isyarat huruf abjad. Tahapan processing yang harus dilalui sebelum
dilakukan pelatihan terhadap Jaringan syaraf tiruan Learning Vector Quantization (LVQ)
adalah grayscalling, thresholding, cropping, dan scalling. Keluaran dari aplikasi ini berupa
identifikasi huruf abjad “A”-“Z” berupa text, dimana text yang dihasilkan bersesuaian dengan
huruf alfabet pada sistem isyarat bahasa Indonesia (SIBI). Hasil dari pengujian penelitian ini
dapat mengenali 26 huruf isyarat, dengan tingkat akurasi sebesar 61,54%.
Kata kunci : Jaringan Syaraf Tiruan, Learning Vector Quantization, Bahasa Isyarat

ABSTRACT

The most effective communication is non-verbal communication. Non-verbal
communication used hand or body gesture on it. The general public’s lack of knowledgement
about sign language, thus this research were made for implementing the application of sign
language’s character using pattern recognition computation. Artificial neural network
Learning Vector Quantization (LVQ) can be used to classify a pattern based on specific
problem just like sign language character’s recognition. Processing phase before doing an
artificial neural network Learning Vector Quantizaion (LVQ) were grayscalling,
thresholding, cropping, and scaling. The output of this application is a character “A”-“Z”
identification as a text that have a similar pattern with a character form Indonesian’s sign
language system (SIBI). The result from testing research can recognize 26 sign language
with accuracy 61,54%.
Keywords: Artificial Neural Network, Learning Vector Quantization, Sign Language

---

Ketersediaan

452F16IV

452 F 16

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

452 F 16

Penerbit

: ., 2016

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1410

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Sulistia Rauf Yulian JF

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar