Penelitian ini bertujuan mengembangkan sistem deteksi gesture BISINDO secara real-time menggunakan MediaPipe Hands untuk mengekstraksi landmark tangan dan Long Short-Term Memory (LSTM) untuk mengenali pola gerakan sekuensial serta menyusun hasil deteksi menjadi kalimat sederhana. Penelitian ini menerapkan pendekatan Machine Learning Pipeline yang meliputi data ingestion, feature extraction, data preprocessing, model training, model evaluation, serta model serving/deployment berbasis web. Dataset yang digunakan terdiri atas 3.120 sequence gesture yang merepresentasikan 12 kelas kata dan dikumpulkan dari 14 partisipan. Hasil evaluasi pada data pengujian menunjukkan bahwa model mencapai akurasi sebesar 99,36% dengan sample error sebesar 0,64%, di mana sebanyak 465 dari 468 sequence data pengujian berhasil diklasifikasikan dengan benar. Untuk mengevaluasi konsistensi performa model, dilakukan pelatihan ulang sebanyak sepuluh kali tanpa penguncian seed yang menghasilkan rata-rata akurasi sebesar 99,08% dengan sample error sebesar 0,92%. Sistem yang dikembangkan berhasil diimplementasikan dalam bentuk aplikasi web yang mampu mendeteksi gesture BISINDO secara real-time serta menerjemahkannya menjadi kalimat sederhana secara otomatis. Penelitian ini berkontribusi melalui pengembangan sistem deteksi gesture pada tingkat kalimat (sentence-level), yang membedakannya dari sebagian besar penelitian sebelumnya yang hanya berfokus pada pengenalan gesture tunggal (isolated gesture).

S12558

INF 0080 2026

Bekasi

Tersedia