OPTIMASI KLASIFIKASI BAHASA ISYARAT INDONESIA (BISINDO) BERBASIS VISION TRANSFORMER DENGAN CLAHE DAN MIXUP
DOI:
https://doi.org/10.31539/56deny34Abstract
Bahasa Isyarat Indonesia (BISINDO) merupakan sarana komunikasi utama bagi penyandang tunarungu sehingga diperlukan sistem klasifikasi citra yang mampu mengenali gestur secara akurat. Penelitian ini bertujuan meningkatkan performa klasifikasi BISINDO menggunakan arsitektur Vision Transformer (ViT) yang dikombinasikan dengan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) dan augmentasi data MixUp. Metode penelitian menggunakan pendekatan kuantitatif eksperimental melalui tahapan akuisisi data, preprocessing citra (ukuran 224×224 piksel, Gaussian Blur, dan CLAHE), penerapan MixUp pada data latih, serta pelatihan dan evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Dataset terdiri atas 900 citra dari 10 kelas dengan pembagian 50% data latih, 40% data validasi, dan 10% data uji. Hasil penelitian menunjukkan akurasi 99% dengan nilai rata-rata precision, recall, dan F1-score sebesar 0,99. Temuan ini menunjukkan bahwa integrasi CLAHE dan MixUp efektif meningkatkan kualitas fitur dan kemampuan generalisasi model dalam klasifikasi BISINDO.
Kata Kunci: BISINDO, Vision Transformer, CLAHE, MixUp
References
[1] D. Mahmud, A., Prasetyo, B., & Lestari, “Understanding Indonesian Sign Language (BISINDO) for Inclusive Communication,” J. Disabil. Stud., vol. 5, pp. 282–287, 2020, doi: 10.25046/aj050535.
[2] M. Saputri and. Murfi, “Analisis Pemahaman Bahasa Isyarat di Kalangan Masyarakat Umum,” urnal Pendidik. Inklusif Indones., 2021.
[3] and S. L. J. Khan, M. Hussain, “A Survey on Sign Language Recognition Using Computer Vision and Deep Learning,” IEEE Access, vol. 11, pp. 4730–4749, 2023, doi: https://doi.org/10.1109/ACCESS.2023.3234569.
[4] A. Budiman et al., “Sistem pembelajaran isyarat Bahasa Indonesia menggunakan CNN,” J. Sist. Cerdas, 2023.
[5] D. Rakhmadi et al, “CNN-RNN untuk pengenalan bahasa isyarat global,” J. Comput. Vis. Res., 2025.
[6] and R. B. O. Koller, S. Zargaran, N. C. Camgoz, “Weakly Supervised Learning for Sign Language RecognitionNo Title,” IEEE/CVF Conf. Comput. Vis. Pattern Recognit., 2019, doi: 10.1109/CVPR.2019.01083.
[7] et al A. Dosovitskiy, L. Beyer, A. Kolesnikov, “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale,” Int. Conf. Learn. Represent., 2021.
[8] L. Wijaya, B., & Nurhayati, “Pengaruh pencahayaan pada sistem pengenalan citra,” urnal Inf. Multimed., 2021.
[9] and H. J. H. Touvron, M. Cord, M. Douze, F. Massa, A. Sablayrolles, “Training data-efficient image transformers & distillation through attention,” Int. Conf. Mach. Learn., pp. 10256–10266, 2021, doi: 10.48550/arXiv.2012.12877.
[10] M. Kelana, E. L., Riko, M., Prasetya, A., & Zulfadhilah, “Integrating the CNN model with the web for Indonesian Sign Language (BISINDO) recognition,” vol. 9, 2025.
[11] & S. Mahendra, R., Laksana, E. A., “Pendekatan Transfer Learning dengan InceptionResNetV2 dan Augmentasi MixUp untuk Peningkatan Klasifikasi Tumor Otak,” J. Algoritm., vol. 22, pp. 161–172, 2025, doi: https://doi.org/10.33364/algoritma/v.22-1.2194.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Moh Hatta, Muhamad Akbar, Muhammad Irvai, Joni Karman
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
