Comparison of American Sign Language Use Identification using Multi-Class SVM Classification, Backpropagation Neural Network, K - Nearest Neighbor and Naive Bayes

Abstract

Komunikasi merupakan hal penting dalam menyampaikan informasi dari individu satu ke individu yang lain. Namun tidak semua individu di dunia dapat berkomunikasi secara verbal. Menurut WHO, tunarungu adalah salah satu gangguan pendengaran yang dialami oleh 466 juta orang secara global, dan 34 juta diantaranya adalah anak-anak, sehingga perlu adanya metode pembelajaran bahasa non-verbal bagi seseorang yang mengalami masalah pendengaran tersebut. Tujuan dari penelitian ini adalah membuat suatu sistem yang dapat membantu mengidentifikasi bahasa non-verbal agar mudah dimengerti secara real time. Untuk memperoleh tingkat keberhasilan yang tinggi dalam sistem, maka dibutuhkan metode yang tepat, salah satunya machine learning, didukung dengan penggunaan ektraksi ciri wavelate dan metode klasifikasi yang berbeda dalam pemrosesan citra. Machine learning dipilih dalam perancangan sistem ini karena mampu mengenali dan membandingkan hasil klasifikasi pada empat metode yang berbeda. Empat klasifikasi yang digunakan sebagai pembanding pengenalan gerak tangan dari American Sign Language adalah klasifikasi Multi-Class SVM, Backpropagation Neural Network Perambatan Balik, K - Nearest Neighbor (K-NN) dan Naive Bayes. Dari pengujian yang telah dilakukan terhadap empat metode klasifikasi dapat diperoleh tingkat keberhasilan secara berurutan sebesar 99.3%, 98.28%, 97.7% dan 95.98%. Sehingga dapat disimpulkan bahwa klasifikasi dengan menggunakan Multi-Class SVM memiliki tingkat keberhasilan tertinggi dalam pengenalan bahasa American Sign Language yang mencapai 99.3%. Keseluruhan sistem dirancang dan diuji menggunakan MATLAB sebagai software pendukung dan pengolahan data.