PERBANDINGAN MULTI-MODEL DAN SINGLE-MODEL ALGORITMA CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI ALFABET BAHASA ISYARAT INDONESIA

Daviana, Feriska Putri (2025) PERBANDINGAN MULTI-MODEL DAN SINGLE-MODEL ALGORITMA CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI ALFABET BAHASA ISYARAT INDONESIA. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (Cover) COVER.pdf - Published Version Download (605kB) | Preview
Preview	Text (Abstrak) ABSTRAK.pdf - Published Version Download (145kB) | Preview
	Text (BAB I) BAB I.pdf - Published Version Restricted to Repository staff only Download (157kB) | Request a copy
	Text (BAB II) BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB III) BAB III.pdf - Published Version Restricted to Repository staff only Download (347kB) | Request a copy
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text (BAB V) BAB V.pdf - Published Version Restricted to Repository staff only Download (119kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (150kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Perkembangan teknologi komputer dan pengolahan citra berbasis deep learning telah mendorong pengembangan sistem pengenalan isyarat tangan, termasuk klasifikasi alfabet Bahasa Isyarat Indonesia (BISINDO). Penelitian ini membandingkan performa pendekatan Multi-model dan Single-model pada algoritma Convolutional Neural Network (CNN) untuk klasifikasi alfabet BISINDO. Pada pendekatan Multi-model, digunakan kombinasi arsitektur ResNet50 dan MobileNetV2 sebagai feature extractors yang digabungkan menggunakan teknik feature fusion. Sedangkan pada pendekatan Single-model, ResNet50 dan MobileNetV2 digunakan secara terpisah sebagai pre-trained model melalui transfer learning. Dataset terdiri dari 11.471 gambar gesture tangan huruf A–Z, dengan pembagian 80% data pelatihan dan 20% data validasi. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score pada data pelatihan, validasi, serta pengujian data baru. Hasil menunjukkan bahwa model Multi-model mencapai akurasi pelatihan 99.92%, validasi 99.91%, precision 99.91%, recall 99.91%, dan F1-score 99.91% dan pengujian data baru mencatat akurasi 79.23%, precision 82.91%, recall 79.23%, dan F1-score 80.04%. Model ResNet50 memperoleh akurasi pelatihan 86.29%, validasi 98,64%, precision 98.71%, recall 98.65%, F1-score 98.61% dan pengujian data baru dengan akurasi 50.76%, precision 53.07%, recall 50.76%, dan F1-score 47.90%. Sementara itu, Model MobileNetV2 mencatat akurasi pelatihan 99.99%, validasi 99.64%, precision 99.67%, recall 99.65%, F1-score 99.64% serta pengujian data baru dengan akurasi 70.00%, precision 78.39%, recall 70.00%, dan F1-score 69.96%. Dari hasil tersebut, pendekatan Multi-model lebih unggul dalam hal akurasi, kestabilan, dan kemampuan generalisasi terhadap gesture baru dibandingkan Single-model.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	BISINDO, Multi-model, Deep Learning, CNN, ResNet50, MobileNetV2
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	03 Sep 2025 08:23
Last Modified:	03 Sep 2025 08:23
URI:	http://eprints.polsri.ac.id/id/eprint/18878

Actions (login required)

View Item