Implementasi Algoritma Motion Chain Code dan Principal Component Analysis untuk Pengenalan Bahasa Isyarat Indonesia

Bahasa isyarat merupakan bahasa yang tidak menggunakan suara tetapi menggunakan gerakan tangan ataupun isyarat tangan dan mimik wajah yang dibutuhkan oleh penyandang tunarungu untuk memenuhi kebutuhan komunikasi dan kebutuhan informasi. Keterbatasan komunikasi dengan orang normal menjadi masalah sosial para penyandang tunarungu karena perbedaan metode komunikasi. Berdasarkan hal tersebut, dibutuhkan suatu sistem yang dapat mengenali dan menterjemahkan bahasa isyarat menjadi tulisan atau suara agar hubungan keduanya menjadi lebih baik. Salah satu proses yang harus dilakukan dalam pengenalan bahasa isyarat adalah proses ekstraksi ciri. Dalam penelitian ini menggunakan algoritma Motion Chain Code (MCC) untuk bahasa isyarat dinamis dan Principal Component Analysis (PCA) untuk bahasa isyarat statis. MCC merupakan metode yang dapat mendeskripsikan pola gerakan tangan sedangkan PCA merupakan metode yang mengambil fitur penting dari data berdimensi tinggi dengan cara mereduksi data tersebut menjadi data berdimensi rendah. Penelitian ini akan mengenali 26 huruf gerakan bahasa isyarat dengan inputan berupa video dengan menggunakan metode klasifikasi Multiclass Support Vector Machine (SVM). Berdasarkan hasil penelitian yang telah dilakukan, total akurasi tertinggi yang didapatkan untuk pengenalan bahasa isyarat statis dan dinamis didapatkan adalah 69,23% menggunakan data latih sebanyak 1040 video dan diuji menggunakan 520 video, setiap huruf memiliki 40 video data latih dan 20 video data uji. Pada pengujian untuk bahasa isyarat statis didapatkan akurasi sebesar 67,25% dan untuk pengujian bahasa isyarat dinamis didapatkan akurasi sebesar 90%.

Sign language is a language that doesn�t using voice but uses hand gesture and facial expression that needed by deaf people for comunication needs and information needs. Communication limitations with normal people become a social problem for deaf people due to differences in communication methods. Based on this, a system is needed that can recognize and translate sign language into text or voice so that relationship between them becomes better. One of process that must be done in sign language recognition is the feature extraction. In this research, Motion Chain Code (MCC) algorithm will be used for dynamic sign language and Principal Component Analysis (PCA) algorithm for static sign language will be used. MCC is an algorithm that can representation of hand trajectory while PCA is a method that takes important features from high-dimensional data by reducing the data to low-dimensional. This research will recognize 26 letters of sign language movement with video input using the Multiclass Support Machine (SVM) for classification. Based on the research and testing that has been done, the highest accuracy obtained for recognoze static and dynamic sign language is 69,23% using training data as much as 1040 video and tested using 520 videos, each alphabet has 40 video training and 20 video tesingt. In testing of static sign language obtained accuracy of 67,25% and testing for dynamic sign language obtained an accuracy of 90%.