Pengenalan Alphabet Bahasa Isyarat Tangan Menggunakan Smart K-Nearest Neighbor (Smart Knn) Untuk Tuna Rungu Dan Tuna Wicara
| Main Author: | Naviri, GilbertDany |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2015
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/146491/1/Fix_Update_12-16-2015.pdf http://repository.ub.ac.id/146491/ |
Daftar Isi:
- Penyandang tuna rungu dan tuna wicara menggunakan alphabet bahasa isyarat sebagai salah satu sarana komunikasi berdasarkan pola tangan yang dibentuk. Tetapi masih sedikit orang yang mengerti alphabet bahasa isyarat tangan. Penelitian ini dibuat sebagai penerjemah alphabet bahasa isyarat ke bentuk teks. Sehingga diharapkan mempermudah orang mengerti alphabet bahasa isyarat untuk tuna rungu dan tuna wicara. Banyak metode yang bisa digunakan untuk mencapai hasil pengenalan pola tangan yang terbaik. Salah satu metode yang bisa digunakan adalah metode KNN (K-Nearest Neighbor). Kekurangan dari metode KNN adalah membutuhkan waktu pembelajaran yang lebih lama pada jumlah data latih yang banyak. Selain itu jumlah data latih yang banyak mengaburkan data latih yang seharusnya lebih dekat dengan data uji atau menurunkan akurasi klasifikasi. Untuk meningkatkan efektifitas klasifikasi KNN, maka KNN bisa dikombinasikan dengan metode yang lain. Beberapa kombinasi KNN dengan metode lain untuk meningkatkan akurasi klasifikasi diantaranya Random KNN, Tree KNN dan Fuzzy KNN. Kombinasi metode KNN dengan metode lain terbukti menghasilkan akurasi klasifikasi yang lebih baik. Pembobotan SMART (Simple Multi Attribute Rating Technique) menghasilkan keluaran (output) yang spesifik sesuai nilai akhirnya. Pembobotan SMART dimulai dengan menentukan kriteria pembobotan, menentukan bobot kriteria dan normalisasinya, menentukan nilai utilitas dan terakhir menghasilkan grup rekomendasi yang beranggotakan kumpulan alphabet tertentu. Penelitian ini menggabungkan pembobotan SMART dan klasifikasi KNN untuk pengenalan bahasa isyarat tangan menjadi bentuk teks. Hasil penelitian ini adalah program simulasi dengan rata-rata akurasi 93%. Penelitian ini menunjukkan hasil segmentasi citra tangan dengan sedikit noise, akurasi klasifikasi tinggi dan berhasil menerjemahkan alphabet bahasa isyarat tangan ke bentuk teks.