PERBANDINGAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) VGG-16 DAN RESNET-50 DENGAN INTEGRASI LONG SHORT-TERM MEMORY (LSTM) DALAM PENERJEMAHAN BAHASA ISYARAT INDONESIA (BISINDO)

Dalam era modern yang semakin terhubung secara digital, pentingnya sistem penerjemahan bahasa isyarat bagi penyandang tunarungu dan tunawicara semakin meningkat. Bahasa isyarat adalah cara utama bagi orang dengan gangguan pendengaran atau bicara untuk berkomunikasi. Namun, akses terhadap informasi melalui bahasa lisan menjadi terbatas, yang menyebabkan kesenjangan
komunikasi yang signifikan. Tujuan dari penelitian ini adalah untuk
membandingkan kinerja arsitektur Convolutional Neural Network (CNN) VGG16
dan ResNet50 dengan integrasi Long Short-Term Memory (LSTM) dalam
penerjemahan Bahasa Isyarat Indonesia (BISINDO). Objek penelitian mencakup
data isyarat tangan yang direkam dalam konteks bahasa isyarat Indonesia. Pengambilan data dilakukan melalui penggunaan dataset kumpulan gambar
bahasa isyarat tangan yang representatif, bersamaan dengan data teks terjemahan
yang sesuai. Metode penelitian melibatkan ekstraksi fitur dari arsitektur VGG16
dan ResNet50, serta integrasi LSTM untuk memahami konteks gerakan isyarat
tangan. Hasil dari penelitian ini diharapkan dapat memberikan pemahaman
mendalam tentang perbandingan arsitektur VGG16 dan ResNet50 dengan
integrasi LSTM dalam konteks penerjemahan bahasa isyarat Indonesia, serta
memberikan kontribusi pada pengembangan teknologi penerjemahan bahasa
isyarat yang lebih akurat dan responsif.

Kata Kunci - Penerjemahan Bahasa Isyarat, Bahasa Isyarat Indonesia,
Convolutional Neural Network, VGG16, ResNet50, LSTM