Sistem Penerjemah Bahasa Isyarat Indonesia (BISINDO) menggunakan Metode Gated Recurrent Unit dan Long Short Term Memory (Studi Kasus SLB-B Yayasan Pendidikan Luar Biasa Kota Makassar)

SITTI RAHMA. Sistem Penerjemah Bahasa Isyarat Indonesia (BISINDO) menggunakan Metode Gated Recurrent Unit dan Long Short Term Memory (Studi Kasus SLB-B Yayasan Pendidikan Luar Biasa Kota Makassar) (dibimbing oleh Ingrid Nurtanio dan Christoforus Yohannes) Komunikasi memainkan peran penting bagi manusia untuk dapat berinteraksi dan berhubungan satu sama lainnya. Namun orang tunarungu sulit berkomunikasi menggunakan bahasa lisan. Keterbatasan yang dimiliki orang tunarungu dalam komunikasi secara lisan menjadikan bahasa isyarat sebagai alternatif bahasa sehari-hari. Namun tidak semua orang mengerti bahasa isyarat terutama orang normal. Inovasi untuk membantu komunikasi tunarungu dengan orang normal masih terbatas pada penerjemahan informasi dari orang normal untuk bisa dipahami oleh orang tunarungu, belum ada inovasi yang dikhususkan untuk menerjemahkan bahasa isyarat agar dipahami orang normal. Penelitian ini dibuat sebagai inovasi penerjemah Bahasa Isyarat Indonesia yang menerjemahkan gerakan bahasa isyarat menjadi kata yang dapat dipahami oleh orang normal. Penelitian ini menggunakan metode Gated Recurrent Unit (GRU) dan Long Short Term Memory (LSTM) yang dikenal mampu mengolah data sequence sebagaimana data gerakan bahasa isyarat yang merupakan kumpulan frame yang membentuk satu isyarat gerakan. Penggunaan algoritma GRU menghasilkan tingkat akurasi 96,67% dalam mendeteksi bahasa isyarat, lebih besar dibandingkan algoritma LSTM yang memiliki akurasi 92.33% dengan penggunaan nilai parameter yang sama. Selain itu, GRU dapat mencapai nilai optimal pelatihan menggunakan epochs 120 sedangkan LSTM mencapai nilai optimal ketika menggunakan epochs 150 menunjukkan metode GRU lebih efisien dalam penggunaan sumber daya pelatihan dibandingkan dengan algoritma LSTM. Penggunaan dataset 30 video dan 60 video memberikan akurasi yang sama sebesar 98,33% dengan nilai loss dari 60 video lebih rendah sebesar 0,078 dibandingkan dataset 30 video sebesar 0,081. Penambahan preprocessing berupa ekstraksi fitur dan augmentasi citra menghasilkan nilai loss yang lebih rendah 0,047 dibandingkan tanpa penambahan preprocessing.