PERBANDINGAN PERFORMA ARSITEKTUR MODEL RESNET DALAM PENGENALAN GESTUR TANGAN SISTEM ISYARAT BAHASA INDONESIA

ARYA ANANDYA DIPHAYANA, . (2025) PERBANDINGAN PERFORMA ARSITEKTUR MODEL RESNET DALAM PENGENALAN GESTUR TANGAN SISTEM ISYARAT BAHASA INDONESIA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (2MB)
	Text BAB I.pdf Download (404kB)
	Text BAB II.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (341kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (320kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Bahasa isyarat seperti Sistem Isyarat Bahasa Indonesia (SIBI) merupakan metode komunikasi bagi penyandang tunawicara dan tunarungu. SIBI dapat diinterpretasikan dengan menggunakan convolutional neural network (CNN) dan tidak jarang bagi seseorang untuk membandingkan lebih dari satu model atau arsitektur model CNN untuk mencari model dengan performa terbaik. Tujuan dari penelitian ini adalah untuk membandingkan performa dan menentukan model dengan performa terbaik di antara ResNet50, ResNet101, ResNet152, ResNet50V2, ResNet101V2, dan ResNet152V2 dalam pengenalan gestur tangan huruf alfabet SIBI. Penelitian ini menggunakan 72000 total gambar yang dibagi sama rata ke 24 kelas yang kemudian dilanjutkan dengan pra-pemrosesan data dan pelatihan keenam model ResNet. Hasil penelitian ini menunjukkan bahwa dari segi nilai precision, recall, dan f1-score untuk semua ResNet menghasilkan nilai 1, dari segi akurasi train ResNet101V2 menghasilkan nilai tertinggi sebesar 0.9993, dari segi akurasi validation semua ResNet menghasilkan nilai 1, kecuali ResNet50V2, dari segi akurasi test semua ResNet menghasilkan nilai 1, dari segi train loss ResNet152 menghasilkan nilai terendah sebesar 0.0277, dari segi validation loss ResNet101V2 menghasilkan nilai terendah sebesar 0.0126, dari segi confusion matrix yang dinormalisasikan semua ResNet menghasilkan nilai 1 pada bagian true positive, dan dari segi durasi training ResNet50V2 merupakan model tercepat dengan waktu 13422 detik. Penelitian ini menyimpulkan bahwa model ResNet101V2 merupakan model ResNet terbaik dalam pengenalan gestur tangan SIBI dikarenakan memiliki keunggulan dari segi nilai pada akurasi train, akurasi validation, akurasi test, validation loss, precision, recall, f1-score, dan nilai confusion matrix. ***** Sign language such as the Indonesian Sign Language System (SIBI) is a communication method for the deaf and mute that can be interpreted using a convolutional neural network (CNN) and it’s not uncommon for someone to compare more than one CNN model or model architecture to find the best performing model. The purpose of this study is to compare performance and determine the best performing model among ResNet50, ResNet101, ResNet152, ResNet50V2, ResNet101V2, and ResNet152V2 in recognizing SIBI alphabet hand gestures. This study used 72000 images divided equally into 24 classes used for data pre-processing and model training. The results indicate that in terms of precision, recall, and f1-score for all ResNets produce a value of 1, in terms of train accuracy ResNet101V2 produces the highest value of 0.9993, in terms of validation accuracy all ResNets produce a value of 1, except ResNet50V2, in terms of test accuracy all ResNets produce a value of 1, in terms of train loss ResNet152 produces the lowest value of 0.0277, in terms of validation loss ResNet101V2 produces the lowest value of 0.0126, in terms of normalized confusion matrix all ResNets produce a value of 1 in the true positive section, and in terms of training duration ResNet50V2 is the fastest with a time of 13422 seconds. This study concludes that ResNet101V2 is the best ResNet model in SIBI hand gesture recognition because it has advantages in terms of train accuracy, validation accuracy, test accuracy, validation loss, precision, recall, f1-score, and confusion matrix values.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Irma Permata Sari, M.Eng. 2). Ali Idrus, M.Kom.
Subjects:	Bahasa dan Kesusastraan > Bahasa Indonesia Sains > Matematika > Ilmu Komputer Sains > Matematika > Software, Sistem Informasi Komputer Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Sistem dan Teknologi Informasi
Depositing User:	Users 28296 not found.
Date Deposited:	30 Jul 2025 06:52
Last Modified:	30 Jul 2025 06:52
URI:	http://repository.unj.ac.id/id/eprint/56991

Actions (login required)

View Item