<![CDATA[Komunitas tunarungu menghadapi hambatan dalam aspek bahasa dan komunikasi sehingga membutuhkan dukungan teknologi yang sesuai dengan karakteristik visual mereka. Kondisi tersebut menunjukkan pentingnya pengembangan teknologi untuk mendukung akses komunikasi yang lebih inklusif melalui pengenalan Bahasa Isyarat Indonesia (BISINDO). Penelitian ini menganalisis kontribusi deteksi tangan dan ekstraksi landmark terhadap performa pengenalan alfabet BISINDO menggunakan pendekatan berbasis computer vision. Sistem yang diusulkan mengintegrasikan YOLOv8 untuk deteksi tangan, MediaPipe Hands untuk ekstraksi dua puluh satu landmark, normalisasi landmark, serta Multi-Layer Perceptron sebagai model klasifikasi. Evaluasi dilakukan menggunakan dataset berisi 1066 citra alfabet BISINDO dari 26 kelas melalui tiga skenario eksperimen. Hasil penelitian menunjukkan bahwa kombinasi deteksi tangan dan normalisasi landmark menghasilkan performa terbaik dengan nilai accuracy 0.915, precision 0.913, recall 0.915, dan F1-score 0.896, serta meningkatkan accuracy 14.8% dibandingkan pendekatan tanpa deteksi tangan. Temuan ini menunjukkan bahwa deteksi tangan dan representasi landmark berkontribusi penting terhadap peningkatan akurasi sistem. Pendekatan yang diusulkan berpotensi diterapkan pada aplikasi penerjemah alfabet BISINDO berbasis kamera secara real-time untuk mendukung komunikasi yang lebih inklusif bagi komunitas tunarungu di Indonesia.]]>
Copyrights © 2026
