<![CDATA[Bahasa Isyarat Indonesia (BISINDO) merupakan media komunikasi vital bagi komunitas Tuli, namun kesenjangan interaksi dengan masyarakat umum yang tidak memahami bahasa isyarat masih menjadi tantangan signifikan. Penelitian ini mengembangkan sistem penerjemah abjad BISINDO berbasis Computer Vision menggunakan arsitektur MobileNetV2 dan MediaPipe Hands dengan algoritma Unified Bounding Box untuk menangani input dua tangan. Pelatihan model dilakukan melalui pendekatan transfer learning pada dataset yang memuat 26 kelas abjad, terdiri dari total 9.169 citra. Berdasarkan hasil eksperimen, model berhasil mencapai akurasi validasi tertinggi sebesar 99,23% pada epoch ke-8. Namun, pengujian pada skenario real-time menunjukkan adanya penurunan kinerja yang signifikan dibandingkan hasil pelatihan. Evaluasi sistem memperlihatkan bahwa meskipun model memiliki konfidensi tinggi pada data uji statis, implementasi langsung menghadapi tantangan berat terkait stabilitas deteksi, sensitivitas terhadap perubahan latar belakang, serta variabilitas pencahayaan. Penelitian ini menyoroti disparitas kinerja antara lingkungan pelatihan yang terkontrol dengan kondisi penggunaan nyata, serta mengidentifikasi faktor-faktor teknis yang menyebabkan inkonsistensi responsivitas sistem saat diterapkan secara langsung di lapangan]]>
Copyrights © 2026
