Pengembangan Model CNN-LSTM Berbasis MobileNetV2 untuk Pengenalan Kosakata Bahasa Isyarat Indonesia (BISINDO) Tingkat Kata pada Sistem AIGLASS

Ahmad Riki Andreas (Universitas Ivet)
Dewi Purnamasari (Universitas Ivet)
Kurniawati (Universitas Ivet)
Ahmad Bais (Universitas Ivet)

Jurnal Pengembangan Rekayasa dan Teknologi
Vol. 10 No. 1 (2026): Mei (2026)

Komunikasi antara penyandang tunarungu dan masyarakat umum masih menghadapi hambatan akibat rendahnya pemahaman terhadap Bahasa Isyarat Indonesia (BISINDO). Penelitian ini bertujuan mengembangkan model pengenalan kosakata BISINDO tingkat kata menggunakan arsitektur CNN-LSTM berbasis MobileNetV2 sebagai fondasi kecerdasan buatan pada sistem AIGLASS. Penelitian menggunakan metode CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Dataset yang digunakan adalah Word-Level Bahasa Isyarat Indonesia (WL-BISINDO) yang terdiri atas 1.600 video dengan 32 kosakata. Hasil penelitian menunjukkan model memperoleh training accuracy sebesar 99,22%, validation accuracy terbaik sebesar 96,48%, serta accuracy, precision, recall, dan F1-score pada data pengujian masing-masing sebesar 94,69%, 95,25%, 94,69%, dan 94,66%. Hasil tersebut menunjukkan bahwa model mampu mengenali kosakata BISINDO tingkat kata secara efektif dan berpotensi menjadi fondasi sistem AIGLASS untuk mendukung penerjemahan bahasa isyarat menjadi audio secara real-time.