ENSEMBLE ALGORITMA RANDOM FOREST CLASSIFIER DAN ADABOOST DALAM PERANCANGAN APLIKASI PENERJEMAH BAHASA ISYARAT

Bilah Samping Artikel

PDF
Diterbitkan: Jun 26, 2025
DOI: https://doi.org/10.51351/jtm.14.1.2025832
Kata Kunci:
Aplikasi, Penerjemah Bahasa Isyarat, Ensemble Algoritma, Random Forest Classifier, Adaptive Boosting

Isi Artikel Utama

Andi Andi
a:1:{s:5:"id_ID";s:10:"STMIK TIME";}
Rezeki Ongsa Ong
Thamrin
Roseline

Abstrak

Penelitian ini mengembangkan aplikasi penerjemah bahasa isyarat berbasis web yang bertujuan untuk memudahkan komunikasi bagi penyandang disabilitas tunarungu. Aplikasi ini menggunakan ensemble algoritma Random Forest Classifier dan AdaBoost untuk mendeteksi dan menerjemahkan gestur tangan ke dalam teks secara real-time. Dataset yang digunakan bersifat lokal, dengan masing-masing gestur terdiri dari 100 citra data latih. Sistem ini dirancang untuk mengenali huruf A hingga Z serta beberapa kata umum seperti "hello", "done", "thank you", "I love you", "sorry", "please", dan "you are welcome". Hasil pengujian terhadap 14 skenario menunjukkan bahwa aplikasi berhasil menerjemahkan dengan tingkat akurasi sebesar 92%, sementara pengujian model mencatat akurasi testing sebesar 99,88%, lebih tinggi dibandingkan penggunaan Random Forest tunggal yang hanya mencapai 97,00%. Peningkatan akurasi sebesar ±2,97% menunjukkan bahwa kombinasi algoritma tersebut efektif dalam meningkatkan performa dan kestabilan sistem. Aplikasi ini diharapkan dapat membantu penyandang tunarungu berkomunikasi lebih efektif, meningkatkan aksesibilitas informasi, serta mendorong pengembangan teknologi di bidang penerjemahan bahasa isyarat.

Rincian Artikel

Cara Mengutip
[1]
A. Andi, R. O. Ong, Thamrin, dan Roseline, “ENSEMBLE ALGORITMA RANDOM FOREST CLASSIFIER DAN ADABOOST DALAM PERANCANGAN APLIKASI PENERJEMAH BAHASA ISYARAT”, JTM, vol. 14, no. 1, hlm. 51–59, Jun 2025.
Terbitan
Vol 14 No 1 (2025): Jurnal TIMES
Bagian
Articles
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright (c) STMIK TIME

Referensi

[1] S. M. Ulfah and S. Ubaidah, “Penerapan Bahasa Isyarat dalam Pembelajaran bagi Anak Berkebutuhan Khusus Tuna Rungu,” J. Disabil. Stud. Res., vol. 2, no. 1, pp. 06–23, 2023.

[2] R. Haris Alfikri, M. Siswo Utomo, H. Februariyanti, and E. Nurwahyudi, “Pembangunan Aplikasi Penerjemah Bahasa Isyarat Dengan Metode CNN Berbasis Android,” J. Teknoinfo, vol. 16, no. 2, pp. 183–197, 2022, [Online]. Available: https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index.

[3] S. Nur, A. N. Assyifa, and H. Nurjannah, “Pengembangan Aplikasi Penerjemah Bahasa Isyarat Indonesia (BISINDO) Menggunakan Metode Long-Short Term Memory,” Edusaintek J. Pendidikan, Sains dan Teknol., vol. 11, no. 1, pp. 13–30, 2024.

[4] M. Yunus and Y. Anwar, “Aplikasi Penerjemah Bahasa Isyarat Indonesia Ke Dalam Huruf Abjad,” J. Sintaks Log., vol. 2, no. 1, pp. 257–262, 2022, doi: 10.31850/jsilog.v2i1.1726.

[5] T. He, C. Xie, Q. Liu, S. Guan, and G. Liu, “Evaluation and Comparison of Random Forest and A-LSTM Networks for Large-scale Winter Wheat Identification,” Mdpi, vol. 11, no. 14, pp. 1–21, 2019.

[6] V. R. Kakularam and L. R. Parvathy, “An Innovative Analysis of Predicting Melanoma Skin Cancer Using CNN and Random Forest Algorithm,” Adv. Parallel Comput., pp. 352–359, 2022, doi: 10.3233/APC220049.

[7] F. D. Marleny, Pengolahan Citra Digital Menggunakan Python. Jawa Tengah: CV. Pena Persada, 2021.

[8] Muttaqin et al., Implementasi Artificial Intelligence (AI) Dalam Kehidupan. Medan: Yayasan Kita Menulis, 2023.

[9] A. A. Permana et al., Machine Learning. Padang: PT Global Eksekutif Teknologi, 2022.

[10] Amna et al., Data Mining. Padang: PT Global Eksekutif Teknologi, 2023.

[11] M. Peng, C. Wang, T. Chen, G. Liu, and X. Fu, “Dual temporal scale convolutional neural network for micro-expression recognition,” Front. Psychol., vol. 8, no. 10, pp. 1–12, 2017, doi: 10.3389/fpsyg.2017.01745.

[12] B. P. Hartato, “Penerapan Convolutional Neural Network pada Citra Rontgen Paru-Paru untuk Deteksi SARS-CoV-2,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 747–759, 2021, doi: 10.29207/resti.v5i4.3153.

[13] Andi, Thamrin, A. Susanto, E. Wijaya, and D. Djohan, “Analysis of the random forest and grid search algorithms in early detection of diabetes mellitus disease,” J. Mantik, vol. 7, no. 2, pp. 2685–4236, 2023, doi: 10.35335/mantik.v7i2.3981.

[14] F. Diba, M. S. Lydia, and P. Sihombing, “Analisis Random Forest Menggunakan Principal Component Analysis Pada Data Berdimensi Tinggi,” Indones. J. Comput. Sci., vol. 12, no. 4, pp. 2152–2160, 2023, doi: 10.33022/ijcs.v12i4.3329.

[15] M. R. Raihan, Y. H. Chrisnanto, and A. K. Ningsih, “KLASIFIKASI PENENTUAN KELAYAKAN PINJAMAN KOPERASI DENGAN ALGORITMA CART MENGGUNAKAN ALGORITMA ADABOOST,” INFOTECH J., vol. 8, no. 2, pp. 74–83, 2022.