TAQIYYA, Thifa Ziada (2025) Klasifikasi American Sign Language Menggunakan Arsitektur Efficientnetv2b0 Dengan Hyperparameter Tuning. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (159kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (885kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (945kB)
	Text 4. KATA PENGANTAR.pdf Download (1MB)
	Text 6. ABSTRAK.pdf Download (75kB)
	Text 7. ABSTRACT.pdf Download (60kB)
	Text 8. DAFTAR ISI.pdf Download (138kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (134kB)

Abstract

Bahasa isyarat merupakan alat komunikasi utama bagi individu dengan gangguan
pendengaran dan memiliki peran krusial dalam mendukung interaksi sosial. Namun,
keterbatasan pemahaman masyarakat terhadap bahasa isyarat seringkali menjadi hambatan
dalam komunikasi efektif. Berbagai penelitian terkait pengenalan bahasa isyarat, khususnya
American Sign Language (ASL), telah dilakukan. Namun, model yang digunakan dalam
penelitian sebelumnya memiliki jumlah parameter yang besar, sehingga kurang efisien
dalam implementasi. Dalam penelitian ini, klasifikasi ASL dilakukan dengan memanfaatkan
arsitektur EfficientNetV2B0, yang dipilih karena jumlah parameter yang lebih sedikit
dibandingkan model lainnya, sehingga lebih efisien. Dataset yang digunakan mencakup citra
yang merepresentasikan angka, huruf, kata, dan ekspresi dalam ASL. Proses pelatihan model
melibatkan eksplorasi berbagai hyperparameter, seperti learning rate, dropout rate, batch
size, dan penggunaan dense layer. Proses pelatihan dilakukan pada data dengan augmentasi
dan tanpa augmentasi guna menemukan konfigurasi terbaik. Selain itu, teknik regularisasi
seperti early stopping diterapkan untuk mencegah overfitting. Hasil eksperimen
menunjukkan bahwa model berhasil mencapai akurasi sebesar 99,57% pada data augmentasi
dengan konfigurasi learning rate 0,00001, dropout 0,2, batch size 16, dan dengan
penambahan dense layer. Sedangkan pada data tanpa augmentasi, model mencapai akurasi
sebesar 99,52% dengan konfigurasi learning rate 0,00001, dropout 0,2, batch size 16, dan
tanpa penambahan dense layer. Pendekatan ini menunjukkan kemampuan EfficientNetV2B0
serta penerapan augmentasi dalam mengenali beragam pola isyarat ASL secara akurat.
Penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem pengenalan bahasa
isyarat yang andal dan efektif, yang selanjutnya dapat diimplementasikan pada berbagai
aplikasi komunikasi dan layanan aksesibilitas bagi komunitas tuna rungu.
Kata kunci : American Sign Language, Augmentasi Data, Bahasa Isyarat,
EfficientNetV2B0, Hyperparameter, Klasifikasi Citra

Actions (login required)

View Item