PENERAPAN MEDIAPIPE DALAM PENGENALAN BISINDO BERBASIS DEEP LEARNING DAN COMPUTER VISION (STUDI KASUS: SLB-C B YAYASAN PENDIDIKAN LUAR BIASA (YPLB) BLITAR)

Di Indonesia, komunikasi antara komunitas Tuli dengan masyarakat umum sering kali terhambat oleh perbedaan bahasa, khususnya Bahasa Isyarat Indonesia (BISINDO). Penelitian ini memanfaatkan teknologi kecerdasan buatan, khususnya Convolutional Neural Networks (CNN) dalam platform MediaPipe, untuk meningkatkan pengenalan huruf-huruf dalam BISINDO melalui analisis gerakan tangan. Pendekatan ini bertujuan untuk mengurangi jurang komunikasi dengan memungkinkan interpretasi yang lebih baik terhadap gerakan kompleks dalam BISINDO. Metode penelitian ini melibatkan pengembangan dan evaluasi model CNN menggunakan MediaPipe untuk mengenali gerakan isyarat tangan. Pengukuran kinerja model dilakukan menggunakan Confusion matrix, dengan hasil akurasi mencapai 94% selama pelatihan dan 78,46%pada pengujian real-time. Hasil ini menunjukkan bahwa model berhasil mengklasifikasikan gerakan tangan dengan baik dalam kondisi ideal maupun di lingkungan dunia nyata. Penelitian ini memberikan kontribusi dalam mengembangkan solusi teknologi untuk mendukung komunikasi inklusif bagi komunitas Tuli, dengan potensi untuk diterapkan dalam aplikasi pengenalan bahasa isyarat dan teknologi asistensi lainnya.
Kata Kunci: Bahasa Isyarat Indonesia (BISINDO), MediaPipe, Convolutional Neural Networks (CNN), Pengenalan gerakan tangan, Kecerdasan buatan.