Abrori, Merdin Risalul (2023) KLASIFIKASI GESTUR TANGAN PADA SISTEM ISYARAT BAHASA INDONESIA MENGGUNAKAN METODE K-NEAREST NEIGHBOR – NAIVE BAYES. Undergraduate thesis, UPN Veteran Jawa Timur.
|
Text (Cover)
18081010081_cover.pdf Download (983kB) | Preview |
|
|
Text (BAB 1)
18081010081_Bab1.pdf Download (103kB) | Preview |
|
![[img]](http://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
18081010081_Bab2.pdf Restricted to Registered users only until 30 January 2026. Download (356kB) |
|
|
Text (BAB 3)
18081010081_Bab3.pdf Restricted to Registered users only until 30 January 2026. Download (697kB) |
|
|
Text (BAB 4)
18081010081_Bab4.pdf Restricted to Registered users only until 30 January 2026. Download (1MB) |
|
|
Text (BAB 5)
18081010081_Bab5.pdf Download (97kB) | Preview |
|
|
Text (Daftar Pustaka)
18081010081_Daftar_pustaka.pdf Download (101kB) | Preview |
|
|
Text (Lampiran)
18081010081_lampiran.pdf Restricted to Registered users only until 30 January 2026. Download (4MB) |
Abstract
Penyandang tunarungu dan tunawicara adalah kelompok yang membutuhkan sistem non-verbal dalam berkomunikasi. Menurut survei yang dilakukan Kementerian Kesehatan Republik Indonesia pada tahun 2018, sekitar 7% dari penduduk Indonesia menderita ketulian. Jumlah tersebut tidak diimbangi dengan jumlah orang yang mengerti bahasa isyarat. Tentunya sulit untuk berkomunikasi dengan penyandang disabilitas tersebut tanpa mempelajari bahasa isyarat. Bahasa isyarat merupakan salah satu sistem komunikasi non-verbal. Di Indonesia terdapat dua jenis sistem isyarat, salah satunya adalah Sistem Isyarat Bahasa Indonesia (SIBI). Solusi dari permasalahan tersebut adalah pembuat perangkat lunak yang dapat menerjemahkan gestur tangan. Pada penelitian tugas akhir ini digunakan algoritme k-Nearest Neighbor–Naive Bayes untuk mengklasifikasikan alfabet gestur tangan, yang direpresentasikan dengan 21 titik koordinat pada tangan. Fitur yang dipakai berupa jarak, sudut, dan kuadran dari koordinat tersebut. Fitur tersebut kemudian dikategorikan agar menyesuaikan dengan algoritme yang digunakan. Hasil pengujian menunjukkan implemetasi perangkat lunak dapat mengklasifikasi gestur tangan pada alfabet SIBI. Dengan menggunakan 528 data latih dan 260 data uji, pengujian pada implementasi perangkat lunak didapat nilai rata-rata akurasi sebesar 82,207%, nilai rata-rata precision sebesar 0,8081, nilai rata-rata recall sebesar 0,8486, dan nilai rata-rata F1-score sebesar 0,8136.
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Subjects: | T Technology > T Technology (General) | ||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||||||
| Depositing User: | Merdin Risalul Abrori | ||||||||||||
| Date Deposited: | 30 Jan 2023 02:54 | ||||||||||||
| Last Modified: | 30 Jan 2023 02:56 | ||||||||||||
| URI: | http://repository.upnjatim.ac.id/id/eprint/11924 |
Actions (login required)
 |
View Item |