<![CDATA[Tingginya kebutuhan kompleksitas komputasi pada model pengenalan bahasa isyarat merupakan sebuah tantangan untuk implementasi pada perangkat mobile. Penelitian ini mengembangkan sistem pengenalan Bahasa Isyarat Indonesia (BISINDO) otomatis yang optimal untuk perangkat mobile. Untuk mengatasi tingginya beban komputasi dari pendekatan berbasis citra (image-based) yang rawan memicu latensi tinggi, penelitian ini mengimplementasikan pendekatan berbasis kerangka (skeleton-based) menggunakan MediaPipe Pose dan Hand Landmarker yang digabungkan dengan algoritma Long Short-Term Memory (LSTM). Tiga varian arsitektur diuji secara komparatif: Vanilla LSTM, Stacked LSTM, dan Bidirectional LSTM (Bi-LSTM). Hasil pengujian berbasis dataset menunjukkan bahwa Stacked LSTM dan Bi-LSTM berhasil mencapai akurasi sempurna (100%) tanpa kesalahan prediksi. Namun, Stacked LSTM dipilih sebagai model terbaik karena memiliki struktur komputasi yang jauh lebih efisien dengan jumlah parameter 36,7% lebih sedikit dibandingkan Bi-LSTM. Optimasi model lebih lanjut menggunakan Post-Training Quantization (PTQ) berhasil menyusutkan ukuran model sebesar 65%, mempercepat waktu inferensi hingga dua kali lipat, serta meningkatkan Frames Per Second (FPS) tanpa mendegradasi akurasi. Implementasi real-time pada perangkat seluler menghasilkan akurasi rata-rata sebesar 85% untuk empat kelas kosakata utama (Halo, Terima kasih, Sama-sama, dan Idle), membuktikan kelayakan model untuk skenario edge computing.]]>
Copyrights © 2026
