Analisis Perbandingan Algoritma Klasifikasi MLP dan CNN pada Dataset American Sign Language
| Main Authors: | Naufal, Mohammad Farid, Shania, Sesilia, Millenia, Jessica, Axel, Stefan, Soebroto, Juan Timothy, Febrina, Rizka, Mercifia, Mirella |
|---|---|
| Format: | Article PeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
organisasi profesi Ikatan Ahli Informatika Indonesia (IAII)
, 2021
|
| Subjects: | |
| Online Access: |
http://repository.ubaya.ac.id/39722/ http://jurnal.iaii.or.id/index.php/RESTI/article/view/3009 |
Daftar Isi:
- Orang yang memiliki gangguan pendengaran (tunarungu) atau gangguan berbicara (tunawicara) biasanya menggunakan bahasa isyarat untuk berkomunikasi. Salah satu bahasa isyarat yang dasar dan fleksibel adalah bahasa isyarat alfabet untuk mengeja kata-kata yang ingin diucapkan. Bahasa isyarat menggunakan gerakan tangan, jari, hingga wajah untuk mengutarakan pikiran penggunanya. Namun, untuk bahasa isyarat alfabet, ekspresi wajah tidak digunakan melainkan hanya gerakan atau simbol yang dibentuk menggunakan jari dan tangan. Nyatanya, masih banyak orang yang tidak mengerti arti dari bahasa isyarat. Penggunaan klasifikasi citra dapat membantu orang untuk lebih mudah mempelajari dan menerjemahkan bahasa isyarat. Akurasi klasifikasi citra menjadi permasalahan utama dalam kasus ini. Penelitian ini melakukan perbandingan algoritma klasifikasi citra yaitu Convolutional Neural Network (CNN) dan Multilayer Perceptron (MLP) untuk mengenali bahasa isyarat alfabet American Sign Language (ASL) kecuali huruf “J” dan “Z” karena diperlukan gerakan untuk keduanya. Hal ini dilakukan untuk melihat efek dari tahapan convolution dan pooling pada CNN terhadap nilai akurasi dan F1 score yang dihasilkan pada dataset ASL. Berdasarkan hasil perbandingan, penggunaan CNN yang diawali dengan tahapan preprocessing Gaussian Low Pass Filter mendapatkan akurasi terbaik yaitu sebesar 96,93% dan F1 Score 96,97%.