Winata, Frans Achmad Hendra (2023) Implementasi model yolov8 untuk deteksi objek dalam penerjemahan bahasa isyarat indonesia secara real-time / Frans Achmad Hendra Winata</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Bahasa isyarat merupakan sebuah media komunikasi non-verbal yang biasa digunakan oleh para insan tuli atau difabel rungu. Di Indonesia secara garis besar terdapat dua jenis bahasa isyarat yaitu Sistem Bahasa Isyarat Indonesia (SIBI) yang dibuat oleh pemerintah Indonesia secara resmi dan Bahasa Isyarat Indonesia (BISINDO) yang merupakan bahasa Ibu bagi mereka para insan tuli. Namun tidak semua masyarakat normal memahami bahasa isyarat tersebut hal ini akan menciptakan adanya batasan antara masyarakat normal dan masyarakat berkebutuhan khusus. Sebuah model penerjemah secara otomatis dapat mengatasi permasalahan tersebut. Terdapat beberapa penelitian sebelumnya yang telah menggunakan model machine learning atau computer vision seperti YOLOv5 yang menghasilkan luaran sebuah sistem penerjemah bahasa isyarat. Namun belum ditemukan adanya proses optimasi hyperparameter pada model yang digunakan. Bagaimanapun juga diperlukan untuk dilakukan optimasi terhadap pemodelan tersebut. Penelitian ini bertujuan untuk mengimplementasikan model YOLOv8 dalam penerjemahan bahasa isyarat secara real-time. Skenario pada penelitian ini yakni dengan melakukan pengujian beberapa hyperparameter terhadap dataset BISINDO yang telah disiapkan. Pengujian hyperparameter melibatkan pretrained weight yang terdiri dari YOLOv8s dan YOLOv8m jumlah epochs yang terdiri dari 50 epochs 100 epochs 150 epochs dan 200 epochs fungsi optimizer yang terdiri dari Stochastic Gradient Descent (SGD) Adaptive Moment Estimation (Adam) dan Adam with Weight Decay Regularization (AdamW) serta ukuran batch yang terdiri dari 16 32 dan 64. Setelah melalui berbagai fase pengujian hyperparameter didapatkan susunan hyperparameter paling optimal antara lain pretrained weight YOLOv8m jumlah epochs 150 fungsi optimizer Stochastic Gradient Descent (SGD) serta ukuran batch 16. Berdasarkan pada susunan hyperparameter tersebut model yang dilatih mampu mendeteksi dan menerjemahkan bentuk bahasa isyarat dengan bukti nilai metrik Precision sebesar 100% nilai metrik Recall sebesar 100% nilai metrik F1 Score sebesar 100% dan nilai metrik mAP50 sebesar 99 5% berdasarkan hasil pengujian terhadap data uji. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 03 Jan 2023 04:29 |
| Last Modified: | 09 Sep 2023 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/331001 |
Actions (login required)
 |
View Item |