Implementasi YOLOv10 untuk Pengenalan Alfabet SIBI berbasis Deteksi Gerakan Tangan

Selvie, Selvie (Universitas Multi Data Palembang)
Yohannes, Yohannes (Universitas Multi Data Palembang)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 14, No 3: Desember 2025

Sign language is a primary communication tool for people with hearing and speech impairments. One key component of the Indonesian Sign System (SIBI) is the SIBI alphabet, used for words without specific signs. However, limited public understanding creates communication gaps. This study develops a web-based SIBI alphabet recognition system using the YOLOv10 model. The dataset initially contained 6,110 images and was augmented to 15,859 images. Eight hyperparameter settings were tested, with the best result at a learning rate of 0.001, batch size 32, and Adam optimizer, achieving mAP@50 of 0.988 and mAP@50–95 of 0.971. The model was then converted to ONNX for faster inference, yielding mAP@50 of 0.953 and 797.7 ms per image. The ONNX model was integrated into a web app capable of real-time SIBI recognition. Results show this approach is effective, inclusive, and accessible as an assistive communication tool.Keywords: Deep learning; SIBI Alphabet; YOLOv10 AbstrakBahasa isyarat merupakan sarana utama komunikasi bagi penyandang tunarungu dan tunawicara. Salah satu komponennya, alfabet Sistem Isyarat Bahasa Indonesia (SIBI), digunakan untuk menyampaikan kata yang tidak memiliki padanan isyarat khusus. Namun, kurangnya pemahaman masyarakat terhadap alfabet SIBI menimbulkan kesenjangan komunikasi. Penelitian ini bertujuan mengembangkan sistem pengenalan alfabet SIBI berbasis web menggunakan model YOLOv10. Dataset awal berjumlah 6.110 gambar dan diaugmentasi menjadi 15.859 gambar. Model dilatih menggunakan delapan konfigurasi hyperparameter yang menghasilkan performa terbaik pada learning rate 0,001, batch size 32, dan optimizer Adam dengan mAP@50 sebesar 0,988 dan mAP@50–95 sebesar 0,971. Untuk meningkatkan efisiensi, model dikonversi ke format ONNX dan diuji ulang menghasilkan mAP@50 sebesar 0,953 serta waktu inferensi 797,7 ms per gambar. Model ONNX kemudian diintegrasikan ke aplikasi web yang mampu mengenali alfabet SIBI secara real-time. Hasil menunjukkan pendekatan ini efektif sebagai alat bantu komunikasi yang inklusif dan mudah diakses.