Penerapan Algoritma K-Nearest Neighbor (KNN) dalam Penerjemahan Bahasa Isyarat bagi Penyandang Disabilitas Tunarungu
DOI:
https://doi.org/10.55382/jurnalpustakaai.v5i1.906Kata Kunci:
KNN, Pengenalan Suara, Tunarungu, Bahasa Isyarat, BISINDOAbstrak
Manusia merupakan mahluk hidup yang tidak dapat hidup sendiri. Dalam proses bersosialisasi antar manusia itulah diperlukan adanya komunikasi sebagai media untuk berinteraksi. Namun berbeda untuk orang tunarungu dalam berinteraksi dan berkomunikasi dengan sesama maupun dengan orang awam yang menggunakan Sistem Isyarat Bahasa Indonesia (SIBI) ataupun Bisindo yang merupakan bahasa dari ibu. Tugas Akhir ini mengusulkan sebuah aplikasi konversi sinyal suara ke video gerakan bahasa isyarat untuk tunarungu. Dengan melalui tahapan input sinyal ucapan lalu preprocessing dan ekstraksi ciri. Hasil ekstraksi ciri diklasifikasi menggunakan algoritma K-Nearest Neighbors dengan perhitungan euclidean distance untuk mencari tetangga terdekatnya. Hingga menghasilkan keluaran berupa teks, kemudian teks tersebut menjadi input untuk memanggil video gerakan bahasa isyarat yang ada pada database. Hasil tahapan pengujian Tugas Akhir yang menggunakan parameter dengan 13 koefisien Mel-Frequency Cepstral Coefficient (MFCC), parameter K berjumlah 5, sehingga mampu mengonversi sinyal suara ke video bahasa isyarat untuk tunarungu dengan rata-rata akurasi kata sebesar 34.67 % dan rata-rata akurasi kalimat sebesar 72%
Unduhan
Referensi
Merta, I. P. W., Sunarya, I. M. G., & Arthana, I. K. R. (2015). Handgesture To Text Dengan Metode Artificial Intelligence KNN ( K-Nearest Neighbour ). Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI),
Pujiati, D. (2019). Perbandingan Struktur Antara Sistem Isyarat Bahasa Indonesia (SIBI) dengan Bahasa Isyarat Indonesia (BISINDO): Kajian Sintaksis. Repository Universitas Pendidikan Indonesia.
Gumelar, G., Hafiar, H., & Subekti, P. (2018). Bahasa Isyarat Indonesia Sebagai Budaya Tuli Melalui Pemaknaan Anggota Gerakan Untuk Kesejahteraan Tuna Rungu. Informasi, 48(1), 65.
Mulya, H. C., Tritoasmoro, I. I., Kumalasari, N., Pratiwi, C., Elektro, F. T., Telkom, U., & Coefficients, M. C. (2019). KONVERSI SINYAL SUARA KE VIDEO UNTUK TUNARUNGU MENGGUNAKAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENTS DAN K-NEAREST NEIGHBORS CONVERSION OF SPEECH SIGNA TO VIDEO FOR DEAF PEOPLE USING MEL-FREQUENCY CEPSTRAL COEFFICIENTS AND K- NEAREST NEIGHBORS METHOD. 6(2), 4223–4230
Saputra, D. (2020). Klasifikasi Alfabet Bahasa Isyarat Indonesia (BISINDO) dengan Metode Template Matching dan K-Nearest Neighbors (KNN). Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya (SENAMIKA), 1(2).
Septiari, R., & Haryanto, H. (2012). Konverter Suara Dengan Input Bahasa Indonesia Ke Video Gerakan Bahasa Isyarat Dengan Metode Speech Recognition (Hidden Markov Model) Untuk Penderita Tunarungu. 2012(Semantik), 349–355.
Walid, M., & Darmawan, A. K. (2017). Pengenalan Ucapan Menggunakan Metode Linear Predictive Coding (LPC) dan K-Nearest Neighbor (KNN). Energy, 57 58 Universitas Panca Marga, 7(1), 13–22.
Munir, R. (2023). Perbandingan Pre-Trained CNN: Klasifikasi Pengenalan Bahasa Isyarat. Institut Teknologi Bandung.
Aziz, A. N. (2020). Image Recognition Alfabet Bahasa Isyarat Indonesia (BISINDO) Menggunakan Convolutional Neural Network. Universitas Islam Indonesia.
Thira, I. J., Riana, D., Ilhami, A. N., Dwinanda, B. R. S., & Putri, H. N. (2023). Pengenalan Alfabet Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Convolutional Neural Network.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.