IMPLEMENTASI SISTEM PENDETEKSI INDONESIA SIGN LANGUAGE BISINDO BERBASIS WEB FLASK
Mohammad Idham Fachrurrozi1), Yisti Vita Via2), Wahyu S.J Saputra3) E-mail : 1)[email protected], 2)[email protected],
1,2,3) Program Studi Informatika, Fakultas Ilmu Komputer, UPN “Veteran” Jawa Timur
Abstrak
Interaksi Sosial merupakan sebuah kegiatan manusia dalam berhubungan dengan manusia lainnya, kegiatan ini terjadi saat manusia melakukan kontak sosial dan komunikasi. Jenis dalam melakukan komunikasi melalui media yang bisa digunakan salah satunya menggunakan media komunikasi bahasa isyarat tangan. Terkadang masyarakat belum paham akan bahasa isyarat tangan yang disampaikan oleh masyarakat tuna rungu, oleh karena itu diperlukan sebuah sistem pengenalan guna membantu keberlangsungan kedua masyarakat tersebut. Pengembangan sistem pendeteksi Indonesia Sign Language berbasis web diharapkan dapat menjadi jembatan antara masyarakat non tuna rungu dengan masyarakat tuna rungu. Sistem pada web ini menggunakan kerangka kerja pada bahasa pemrograman Python dengan pemanfaatan Microframework Flask sehingga dapat memudahkan dalam membangun sistem aplikasi serta tak lain karena fungsionalitasnya berbasis website sehingga dapat mudah untuk melakukan akses fitur-fitur pada sistem klasifikasi citra masukan gambar dan sistem ini dapat diakses dari berbagai macam platform seperti Windows, Android, dan iOS. Sistem ini dirancang menggunakan bantuan kecerdasan buatan yakni algoritma jaringan syaraf tiruan untuk melakukan prediksi klasifikasi dan prediksi lokalisasi bahasa isyarat tangan. Hasil dalam penelitian ini adalah sebuah aplikasi pendeteksi bahasa isyarat yang mampu mendeteksi berbagai macam bentuk dengan jumlah 26 kelas bahasa isyarat dari huruf alfabet A hingga Z.
Kata Kunci: Klasifikasi, BISINDO, Bahasa Isyarat Indonesia, Indonesia Sign Language, Machine Learning
1. PENDAHULUAN
Interaksi Sosial merupakan sebuah kegiatan manusia dalam berhubungan dengan manusia lainnya. Kegiatan tersebut dapat terjadi saat manusia melakukan kontak sosial dan komunikasi [1]. Adapun komunikasi merupakan sarana penyampaian informasi dengan proses memberi dan menerima bermacam makna di antara dua orang atau lebih [2]. Di dalam hubungan masyarakat terdapat kelompok masyarakat lain seperti masyarakat tuli dengan keadaan yang sedikit spesial dimana mereka tidak memiliki kemampuan untuk mendengar karena tidak memiliki indera pendengaran atau berada pada level pendengaran tertentu sehingga membuat mereka tidak dapat berkomunikasi secara efektif saat menggunakan bahasa lisan. Oleh karena itu, untuk membantu menunjang sarana komunikasi antar dua masyarakat tersebut tercipta bahasa isyarat.
Terdapat beberapa jenis dalam melakukan komunikasi melalui media yang bisa digunakan untuk saling berinteraksi satu sama lain, salah satu dari media tersebut adalah bahasa isyarat tangan [3].
Sistem Isyarat Bahasa Indonesia (SIBI) merupakan sistem bahasa isyarat yang telah ditetapkan oleh Pemerintah Indonesia sebagai bahasa pengantar di Sekolah Luar Biasa (SLB), dan telah memiliki kamus yang diterbitkan oleh pemerintah dan sudah disebarluaskan mulai tahun 1996 dan pada tahun 2015 salah satu organisasi kemasyarakatan yang bernama Gerakan Kesejahteraan Tunarungu Indonesia
(GERKATIN) mengirim perwakilan untuk meminta pemerintah mengakui BISINDO sebagai bahasa pengantar resmi di SLB. Selain itu, GERKATIN juga terus aktif mengangkat eksistensi BISINDO sebagai budaya masyarakat Tuli khususnya di Indonesia, serta menyadarkan masyarakat Tuli di Indonesia bahwa SIBI yang digunakan selama ini bukanlah bagian dari budaya Tuli Indonesia [4].
Berdasarkan dari paparan permasalahan pada paragraf sebelumnya, dibangun sebuah aplikasi dimana pada dalam sistem aplikasi dapat mengklasifikasi bahasa isyarat tangan yang diharapkan dapat dimanfaatkan oleh seseorang dalam mempelajari bahasa isyarat BISINDO. Pada penelitian ini terdapat beberapa perancangan dari pembuatan sistem bahasa isyarat, yang mana dapat mengenali bahasa isyarat berupa 26 huruf alfabet dari A hingga Z. sistem tersebut dirancang menggunakan bantuan kecerdasan buatan yakni algoritma jaringan syaraf tiruan untuk melakukan prediksi klasifikasi dan prediksi lokalisasi serta dengan pemanfaatan kerangka kerja sistem dibangun dengan menggunakan Microframework Flask.
2. METODOLOGI
Dibutuhkan rangkaian langkah-langkah kerja yang sistematis dengan urutan yang telah direncanakan guna membantu penelitian ini dengan baik. Hal ini bertujuan agar mampu mencapai tujuan penelitian. Adapun metodologi pada penelitian ini terdiri dari beberapa tahapan yang diilustrasikan pada gambar 1.
Gambar 1 Metodologi penelitian
2.1 Analisis Data
Analisis data dilakukan dengan diawali studi literatur yang berguna untuk mendapatkan dasar teori sebagai pendukung dalam melakukan sebuah penelitian seperti halnya mengenai informasi algoritma klasifikasi jaringan syaraf tiruan, pengenalan objek, hingga bentuk huruf dalam bahasa isyarat BISINDO. Penulis melakukan studi literatur dengan mencari serta mempelajari publikasi ilmiah, artikel ilmiah yang telah banyak tersedia secara daring, penelitian sebelumnya yang hampir serupa dengan penelitian yang
penulis lakukan, dokumentasi resmi dari perangkat lunak, serta berbagai forum diskusi daring perangkat lunak.
Objek data pada penelitian ini merupakan dataset yang digunakan bernama ISLBISINDO1 yang dibuat oleh tiga orang dengan total gambar yang ada sebanyak 2080 data yang terbagi menjadi 26 kelas dari huruf A hingga Z dengan menerapkan aturan pareto [5]. Dalam aturan pareto tersebut sehingga pembagian data latih dan data uji yang masing-masing sebesar 80% dan 20%. Pengambilan gambar dataset tersebut menggunakan kamera Digital Single Lens Reflex (DSLR) Canon tipe 1200D yang mengakibatkan ukuran gambar sebesar 1728ｘ 2592. Setiap data berekstensi “.JPG”
dengan orientasi rotasi yang tidak beraturan. Adapun objek data tersebut dapat dilihat pada gambar 2.
Gambar 2 Sampel dataset
2.2 Rancangan Sistem
Pada tahapan rancangan sistem terdapat 2 proses tahapan yaitu rancangan desain user interface dan rancangan DFD. Untuk rancangan desain user interface dibuat dengan sedemikian dengan 2 inti komponen yaitu komponen ”header” digunakan untuk meletakkan link eksternal mengenai informasi tentang profile pengembang, dan judul digunakan penamaan pada sistem aplikasi, kemudian terdapat komponen ”main section”
pada letak tengah desain UI aplikasi yang terdapat tombol upload gambar digunakan untuk mengupload gambar bahasa isyarat tangan yang ingin diprediksi, image preview digunakan untuk memperlihatkan tampilan hasil dari upload gambar, hasil prediksi klasifikasi digunakan untuk menampilkan hasil klasifikasi kelas dari citra gambar masukan dan hasil prediksi lokalisasi digunakan untuk menampilkan hasil prediksi lokalisasi gambar. Adapun rancangan desain UI dapat dilihat pada gambar 3.
Gambar 3 Rancangan Desain UI
Setelah proses rancangan desain UI kemudian dapat dilakukan pembuatan rancangan DFD sistem yang dapat dilihat pada gambar 4. Data Flow Diagram (DFD) adalah sebuah teknik grafis yang menggambarkan aliran informasi dan transformasi yang diaplikasikan pada saat data bergerak dari masukan menjadi keluaran sehingga digunakan untuk membangun dan mengimplementasikan aplikasi sistem [6].
Gambar 4 Rancangan DFD Sistem
2.3 Implementasi Sistem
Dalam melakukan implementasi sistem dilakukan penulisan baris-baris kode syntax dengan menggunakan Microframework Flask yang di dalamnya terdiri dari komponen file seperti HTML, CSS dan Python serta menggunakan Model jaringan syaraf tiruan (JST) yang telah dilakukan proses pelatihan guna memprediksi kelas pada hasil citra masukan. Adapun untuk lingkungan pengembangan penelitian ini yang termasuk dalam membangun sistem pengenalan bahasa isyarat BISINDO dibutuhkan beberapa perangkat keras dan perangkat lunak yang dibutuhkan sebagai penunjang pengembangan. Penelitian ini menggunakan beberapa perangkat keras yang diantaranya:
a. Laptop HP Pavilion 14-V042TX dengan processor Intel Core i5-4210U b. NVIDIA GeForce 840M 4GB
c. RAM 8GB
Untuk perangkat lunak dalam pengembangan penelitian ini yakni menggunakan beberapa perangkat sebagai berikut:
a. OS Windows 10 64 bit b. Bahasa Pemrograman Python c. Google Collab
d. Jupyter Notebook e. Tensorflow.keras f. OpenCV 2.4 Pengujian Sistem
Pada pengujian sistem diperlukan untuk mengetahui apakah sistem dapat berjalan dengan baik khususnya pada pengujian fungsionalitas aplikasi sistem. Adapun pengujian tersebut dilakukan dengan menggunakan metode black box. Pada proses Black Box Testing dengan cara mencoba program yang telah dibuat dengan mencoba memasukkan data masukan pada setiap fungsi kerjanya [7].
3. HASIL DAN PEMBAHASAN 3.1 Hasil Implementasi Sistem
Gambar 5 Halaman pengguna prediksi klasifikasi BISINDO
Pada mulanya pengguna memasukkan citra bahasa isyarat BISINDO khusus abjad A sampai Z. Pada gambar 5 tersebut masukan citra yang dilakukan adalah 128 × 128 sehingga hanya memerlukan beberapa detik saja pada proses klasifikasi karena semakin besar masukan citra maka semakin lama pula proses klasifikasi dan lokalisasi yang dilakukan oleh sistem.
Gambar 6 Hasil Prediksi klasifikasi BISINDO
Pada gambar 6 merupakan tampilan hasil prediksi abjad dari bahasa isyarat tersebut serta menunjukkan angka akurasi dari prediksi atas citra masukan dengan jawaban abjad sebenarnya. Dan menunjukkan angka akurasi sebesar 99.9818503856659% pada huruf A. Hal ini dapat dikatakan bahwa implementasi sistem telah berhasil dibangun dengan baik.
3.2 Hasil Pengujian Sistem
Adapun hasil pengujian sistem dengan menggunakan metode black box testing dapat dilihat pada tabel 1 sebagai berikut:
Tabel 1 Hasil Pengujian Sistem
No Aktivitas Uji Coba Hasil Uji Coba
1 Masuk halaman awal Berhasil
2 Upload citra gambar Berhasil
4 Klik tombol “about” Berhasil
5 Klik tombol “prediksi” Berhasil
6 Muncul hasil prediksi kelas klasifikasi Berhasil
7 Muncul hasil prediksi lokalisasi Berhasil
8 Muncul tingkat akurasi hasil prediksi klasifikasi Berhasil
4. KESIMPULAN DAN SARAN
Berdasarkan pemaparan dari bab sebelumnya dapat ditarik kesimpulan bahwa sistem ini telah berhasil menyelesaikan perancangan dan implementasi sistem menggunakan bantuan kecerdasan buatan yakni algoritma jaringan syaraf tiruan sebagai proses mengklasifikasi citra dari masukan gambar supaya sistem dapat melakukan
prediksi sebuah kelas bahasa isyarat tangan serta prediksi lokalisasi pada citra bahasa isyarat. Kemudian juga berhasil dilakukan pengujian pada fungsionalitas sistem dengan menggunakan metode black box testing secara baik.
Adapun untuk saran dalam pengembangan penelitian ini yaitu peningkatan pada cara kerja sistem seperti menambahkan fitur secara realtime pada pengenalan huruf bahasa isyarat dengan menggunakan kamera sehingga lebih memudahkan pengguna dalam mengklasifikasi citra gambar.
5. DAFTAR RUJUKAN
[1] Soekanto. S & Budi S., 2014. Sosiologi Suatu Pengantar. Jakarta: PT. Raja Grafindo Persada.
[2] Aththar, Muhammad Ahmad. 2012. The Magic of Communication. Jakarta:
Serambi Ilmu Semesta.
[3] Mursita, Rohmah Ageng. 2015. “Respon Tunarungu Terhadap Penggunaan Sistem Bahasa Isyarat Indonesia (SIBI) Dan Bahasa Isyarat Indonesia (BISINDO) Dalam Komunikasi.” INKLUSI. 2(2), pp. 221-232.
[4] Utama, A. (2015). Penyandang Tunarungu Desak Pemerintah Aplikasikan Bisindo.
[Online] Available at https://www.cnnindonesia.com/nasional/20150928095727- 20-81295/penyandang-tunarungu-desak-pemerintah-aplikasikan-bisindo [Accessed 21 Mei 2021].
[5] R. Dunford, Q. Su, E. Tamang, A. Wintour, and Project. 2014. “The Pareto Principle Puzzle,” Plymouth Student Sci., vol. 7, no. 1, pp. 140–148.
[6] Novaliendry, D. 2009. “APLIKASI PENGGUNAAN METODE PROMETHEE DALAM SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN MEDIA PROMOSI Studi Kasus: STMIK Indonesia”. 5(2), pp. 104-111.
[7] Cahya, F.N., Suherman, D., Aryanti, S., Angga, H.P & Saifudin, A. 2019.
“Pengujian Black Box pada Aplikasi Sistem Seleksi Sales Terbaik Menggunakan Teknik Equivalence Partitions” Jurnal Informatika Universitas Pamulang. 4(4), pp.
125-130.
