JAMI: Jurnal Ahli Muda Indonesia Vol.
3 No.
Received 11 Oct 2020, revision 17th Nov 2020, accepted 17th Jan 2021, published 30th Jun 2022 Implementasi Metode Learning Vector Quantization (LVQ) pada Pengenalan Bahasa Isyarat yang Mengandung Kata Kerja Mochammad Firman Arif 1.
Arnaz Andri Pramana2 Program Studi Informatika.
Fakultas Teknologi Informasi.
Universitas Merdeka Pasuruan, e-mail:
mochammadfirmanarif@gmail.
arnazpramana@gmail.
Penulis Korespondensi.
Mochammad Firman Arif.
Program Studi Informatika.
Fakultas Teknologi Informasi.
Universitas Merdeka Pasuruan, e-mail:
mochammadfirmanarif@gmail.
A B S T R A K
Objektif.
Bahasa Isyarat .
ign languag.
adalah salah satu bahasa yang paling alami dalam melakukan komunikasi, terutama bagi penyandang tuna rungu dan tuna wicara sehingga keduanya mampu saling memahami dan berkomunikasi dengan sesamanya dengan menggunakan bahasa isyarat Permasalahan yang diangkat dalam kasus penelitian kali ini dilatar belakangi oleh sedikitnya masyarakat umum yang mengerti bahasa isyarat sehingga akan lebih mudah dalam memahami bahasa isyarat yang mengandung kata kerja.
Material and Metode.
Penelitian ini bertujuan untuk menerapkan metode Leaning Vector Quantization dalam melakukan pengenalan bahasa isyarat kata kerja berdasarkan pola.
Hasil.
Hasil dari penelitian menggunakan metode Learning vector quantization didapat akurasi pengenalan sebesar 40% dengan menggunakan data uji sebanyak 15 data .
Kesimpulan.
Berdasakan hasil dari penelitian Implementasi metode Learning vector quantization (LVQ) pada pengenalan Bahasa Isyarat yang mengandung Kata Kerja dapat disimpulkan bahwa metode Learning vector quantization pada Sistem / aplikasi pengenalan bahasa isyarat kata kerja dapat membantu untuk mengenali pola bahasa isyarat yang ingin dibaca dengan baik.
Kata kunci:
Bahasa isyarat, kata kerja.
Learning vector quantization.
A B S T R A C T
Objective.
Sign Language .
ign languag.
is one of the most natural languages for communicating, especially for deaf and speech-impaired persons, so that both can understand each other and communicate with each other using sign language.
The problems raised in the case of this research are motivated by at least the general public who understands sign language so that it will be easier to understand sign language that contains verbs.
Materials and Methods.
This study aims to apply the Leaning Vector Quantization method in recognizing sign language verbs based on patterns.
Results.
The study's results using the Learning Vector Quantization method obtained a recognition accuracy of 40% using 15 test data.
Conclusion.
Based on the results of the research on the implementation of the Learning vector quantization (LVQ) method in the introduction of sign language containing verbs, it can be concluded that the Learning vector quantization method in the verb sign language recognition system/application can help to recognize sign language patterns that you want to read well.
Keywords:
Sign language, verbs.
Learning vector quantization.
1 | Doi: 10.
46510/jami.
40 | ISSN 2722-4406 .
/2722-4414.
| https://journal.
2 | 10.
46510/jami.
PENDAHULUAN
Bahasa Isyarat .
ign languag.
adalah salah satu bahasa yang paling alami dalam melakukan komunikasi, terutama bagi penyandang tuna rungu dan tuna wicara sehingga keduanya mampu saling memahami dan berkomunikasi dengan sesamanya dengan menggunakan bahasa isyarat.
SIBI (Sistem Isyarat Bahasa Indonesi.
adalah salah satu komunikasi bahasa isyarat yang dimiliki oleh negara Indonesia.
Sistem Isyarat Bahasa Indonesia dibangun dengan mengadopsi dari bahasa isyarat American Sign Language (ASL) yang dimiliki oleh negara Amerika.
Akan tetapi, penggunaan atau edukasi sejak dini terkait metode komunikasi Sistem Isyarat Bahasa Indonesia (SIBI) masih kurang yang dampaknya adalah minimnya pengetahuan mengenai hal tersebut.
SIBI telah memiliki kamus yang diterbitkan oleh pemerintah dan disebarluaskan melalui sekolah-sekolah khususnya SLB/B untuk Tuli di Indonesia sejak tahun 2001.
Keberadaan SIBI begitu populer di sekolahsekolah SLB/B di Indonesia.
AuPihak sekolah dan juga para guru menggunakan SIBI sebagai bahasa pengantar materi pembelajaran pada siswa TuliAy.
(Winarsih, 2.
Permasalahan yang diangkat dalam kasus penelitian kali ini dilatar belakangi oleh sedikitnya masyarakat umum yang mengerti bahasa isyarat.
Kemajuan teknologi, khususnya dalam bidang informatika memungkinkan masyarakat yang sebelumnya tidak mengerti bahasa isyarat dapat belajar untuk mengenali bahasa isyarat dengan sebuah sistem yang dapat menerjemahkan bahasa isyarat yang mengandung kata kerja.
Penelitian dengan tema jaringan syaraf tiruan menggunakan metode LVQ sudah pernah dilakukan yaitu tentang AuAplikasi Pengenalan Karakter Pada Plat Nomor Kendaraan Bermotor Dengan Learning vector quantizationAy (Maulana, 2.
, tingkat keberhasilan pengenalannya mencapai 87,093%.
Hal ini membuktikan bahwa metode LVQ cukup efektif untuk digunakan dalam proses pengenalan sebuah objek.
Penelitian lainya berjudul AuSistem pengenalan bahasa isyarat Indonesia dengan Menggunakan Metode Fuzzy K-Nearest NeighborAy (Agum Agidtama Gafar, 2017 ).
Hasil Sistem pengenalan bahasa isyarat Indonesia dengan menggunakan metode Fuzzy K-Nearest Neighbor (KNN) diperoleh nilai akurasi sebesar 88,8%, hal ini menunjukkan metode yang diajukan mampu melakukkan mengenali model bahasa isyarat dengan baik.
Selanjutnya adalah penelitian berjudul Ay Pengenalan Plat nomor Mobil Menggunakan Metode Learning vector quantizationAy (Achmadie, 2.
Pada penelitian ini komputer dapat mendeteksi plat nomor yang memliki akurasi sebesar 94% dengan nilai threshold sebesar 60%.
Berdasarkan uraian diatas, dengan tingginya tingkat akurasi pada pengenalannya maka penulis membuat sebuah penelitian berjudul Implementasi Metode Learning vector quantization (LVQ) Pada Pengenalan Pola Bahasa Isyarat yang Mengandung kata kerja.
MATERIAL DAN METODE
Sistem yang dibutuhkan untuk membangun aplikasi pengenalan bahasa isyarat yang mengandung kata kerja adalah sebagai berikut :
Perangkat Keras Processors: AMD A8-7410 APU Sistem Type: 64-bit Operating System 3 | 10.
46510/jami.
RAM: 4 GB RAM
Graphics: AMD Radeon R5 Graphics 2.
20 GHz Camera : Minimal 5 MegaPixel Perangkat Lunak.
Operating Systems: Windows 10 Matlab Versi 2013a Balsamic mockup LVQ adalah algortima klasifikasi yang memanfaatkan vektor yang terhubung dan bekerja secara kompetitif namum terbimbing untuk menyelesaikan suatu masalah.
Kusumadewi.
Gambar 1 Arsitektur LVQ Pada gambar 1 merupakan contoh struktur jaringan LVQ yang memiliki 4 input layer dengan 2-unit neuron pada output layer.
W1 dan W2 merupakan bobot yang menghubungkan input layer ke output layer.
Setiap fungsi aktivasi F melakukan pemetaan setiap y_In ke klasifikasi y1 atau y2.
Pada F1, jika .
-w.
-w.
maka y_In1 dipetakan ke y1=1 dan dipetakan ke y1=0 jika sebaliknya.
Kondisi ini berlaku juga pada F2, dengan kondisi yang sesuai.
Algoritma Metode LVQ:
Langkah 0: Inisialisasi Inisialisai Vektor-Vektor Acuan Inisialisai Laju Pembelajaran alfa=0 Langkah 1: Jika kondisi stop salah, lakukan langkah 2-6 Langkah 2: Untuk setiap training vector, lakukan langkah 3-4 Langkah 3: Dapatkan nilai j sehingga |.
-w.
| bernilai minimum Langkah 4: Update nilai bobot wj Jika T = Cj Wj.
= wj.
-wj.
) Jika T O Cj Wj.
= wj.
Ae .
-wj.
) Langkah 5: Update nilai learning rate Langkah 6: Uji kondisi stop Uji kondisi stop ini dapat dilakukan berdasarkan jumlah iterasi tertentu .
ulai dari langkah .
atau setelah laju pembelajaran yang telah mencapai harga yang sangat kecil.
Dimana:
X = training vector .
1 A.
, xiA, x.
T = kategori training vector yang benar untuk pelatihan Wj = vector bobot untuk unit keluaran ke-j .
, wij .
, wi.
Cj = kategori atau kelas yang diwakili oleh nilai unit keluaran ke-j .
asil trainin.
4 | 10.
46510/jami.
-w.
| = Euclidian distances antara vektor masukkan dan vektor bobot dari unit keluaran ke-j.
Gambar 2 Flowchart sistem Algoritma dari system pengenalan pola pada huruf tulisan tangan yang akan dibangun seperti pada gambar 3.
Melakukan input data uji berupa gambar gerakan bahasa isyarat yang merupakan citra RGB.
Lalu dilakukan proses cropping pada gambar yang hanya diambil bagian tangan yang akan dikenali sebagai isyarat.
Tahapan selanjutnya Pre Procesing yaitu merupakan proses konversi citra RGB yang sudah di crop bagian tertentu menjadi bentuk hitam putih atau citra biner.
Selanjutnya adalah proses ekstraksi ciri untuk mengetahui ciri-ciri / informasi dari citra yang akan dikenali atau dibedakan dengan citra lain dan nilai hasil ekstraksi digunakan sebagai parameter / nilai untuk membedakan objek satu dengan lainya pada tahapan klasifikasi.
Lalu dilakukan proses perhitungan dengan metode Learning vector quantization untuk dapat mengenali karakter citra pada pola bahasa isyarat kata kerja yang akan mendapatkan hasil dan akurasi yang diinginkan sesuai kelas yang sudah ditentukan.
Hasil dari pengenalan akan muncul dan akan diindentikasi sebagai jenis gerakan kata kerja yang sesuai kelasnya atau tidak.
5 | 10.
46510/jami.
HASIL DAN PEMBAHASAN
Hasil penelitian dan implementasi dari aplikasi yang sudah dibuat secara keseluruhan, serta melakukan pengujian terhadap aplikasi yang sudah dibuat untuk mengetahui aplikasi tersebut telah dapat menyelesaikan permasalahan yang dihadapi sesuai dengan yang Gambar 3 Tampilan aplikas Pada tahap pertama merupakan hasil dari tombol / Button ambil gambar.
Ketika di klik maka akan diarahkan untuk memilih file gambar RGB dan menginputkan ke dalam axes1 pada tampilan program yang selanjutnya masuk ke dalam proses berikutnya.
Pada tahap kedua dilakukan proses cropping yang berfungsi untuk mengambil gambar yang akan diolah saja dan dikenali yaitu posisi tangan, jadi kepala leher dan bagian kulit lainya yang tidak diperlukan tidak diikut sertakan untuk dicrop dikarenakan akan mengganggu proses perhitungan bobot oleh sistem dan akan membuat data tidak dapat dibaca atau salah mengartikan.
Proses crop dilakukan dengan hasil sesuai ukuran yang dipangkas crop akan ditampilkan kedalam kotak / axes ke 2 yang masih dalam bentuk citra RGB Pada tahap pertama merupakan hasil dari tombol / Button ambil gambar.
Ketika di klik maka akan diarahkan untuk memilih file gambar RGB dan menginputkan ke dalam axes1 pada tampilan program yang selanjutnya masuk ke dalam proses berikutnya.
Pada tahap kedua dilakukan proses cropping yang berfungsi untuk mengambil gambar yang akan diolah saja dan dikenali yaitu posisi tangan, jadi kepala leher dan bagian kulit lainya yang tidak diperlukan tidak diikut sertakan untuk dicrop dikarenakan akan mengganggu proses perhitungan bobot oleh sistem dan akan membuat data tidak dapat dibaca atau salah mengartikan.
Proses crop dilakukan dengan hasil sesuai ukuran yang dipangkas crop akan ditampilkan kedalam kotak / axes ke 2 yang masih dalam bentuk citra RGB.
Pada tahap ketiga dilakukan proses konversi dari hasil crop yang masih merupakan citra RGB menjadi citra biner agar dapat hasil dari ekstraksi ciri berupa nilai pixel 0 dan 1.
Ketika dilakukan proses konversi citra RGB ke citra biner juga dilakukan proses resize ke ukuran yang lebih ringan, bertujuan untuk mempercepat proses pengenalan arti isyarat selanjutnya.
Jika tidak di resize maka data gambar akan berukuran sangat besar dan akan memperlambat kinerja perangkat beserta sistem.
Hasil konversi akan ditampilkan di kotak / axes 3.
6 | 10.
46510/jami.
Pada tahap keempat merupakan langkah terakhir setelah melalui beberapa proses sebelumnya yaitu pengenalan arti isyarat.
Saat diklik button Aocari artiAo maka sistem akan mencoba mengenali gambar tersebut berupa arti yang sudah dilatih sebelumnya berupa bobot yang telah diperoleh.
Dan arti akan muncul diatas gambar yang sudah dikenali di kotak / axes 4.
Pada tahap ini dilakukan pengujian pengenalan pola bahasa isyarat kata kerja yang menggunakan 5 kelas dan total 30 data set yang akan ditraining dan 15 data uji yang tercantum pada tabel 1 akan dilakukan pengujian, yang mana dari pengujian tersebut dilakukan menggunakan Learning rate 0.
Tabel 1 Data Uji
GERAKAN
KETERANGAN
Berjalan Buat / membuat Gaduh Antar / mengantar Ikut 7 | 10.
46510/jami.
Pada tabel 2 telah dilakukan pengenalan menggunakan 15 data uji yang mana masingmasing 5 data uji menggunakan warna baju yang berbeda-beda dan dilakukan masingmasing 3 kali pengujian.
Hasilnya terdapat pada tabel 2 berikut:
Tabel 2 Hasil pengenalan Baju Putih Jalan Hasil Salah Buat Benar Gaduh Salah Antar Salah Ikut Benar Baju Hijau Garis Jalan Hasil Benar Buat Salah Gaduh Benar Antar Salah Ikut Salah Baju Batik Jalan Hasil Salah Buat Benar Gaduh Salah Antar Salah Ikut Benar Setelah dilaukan pengenalan dengan 15 data uji maka didapatkan akurasi pengenalan sebagai berikut:
yaycoycycycaycycn = ycycoyco.
yccycaycycaOeycycoyco.
ycycaycoycaEa ycu 100 = 15Oe9 ycu100 = 40% ycycoyco.
KESIMPULAN
Berdasakan hasil dari penelitian Implementasi metode Learning vector quantization (LVQ) pada pengenalan Bahasa Isyarat yang mengandung Kata Kerja dapat disimpulkan 8 | 10.
46510/jami.
Implementasi metode Learning vector quantization pada Sistem / aplikasi pengenalan bahasa isyarat kata kerja dapat membantu untuk mengenali pola bahasa isyarat yang ingin dibaca dengan baik.
Akurasi yang didapatkan ketika pelatihan 30 data set, 5 kelas dan 15 data uji dengan masing-masing learning rate yaitu 0.
kurasi 45%), 0.
kurasi 54%), 0.
kurasi 63%).
Dan dilakukan pengenalan dengan 15 data uji yaitu didapatkan hasil dilakukan masing-masing 3 kali pengujian yaitu 6 data dibaca benar dan 9 dibaca salah dengan tingkat akurasi pengenalan sebesar 40%.
UCAPAN TERIMAKASIH