Sistem Pengenalan Bahasa Isyarat Indonesia Berbasis Long Short-Term Memory Dan Ekstraksi Keypoint Dengan Prediksi Kata Indobert Secara Real-Time

Hambatan komunikasi antara penyandang tunarungu dan masyarakat umum masih menjadi tantangan dalam pendidikan inklusif dan interaksi sosial. Sebagian besar sistem pengenalan Bahasa Isyarat Indonesia (SIBI) hanya berfokus pada pengenalan gestur tanpa memahami konteks bahasa. Penelitian ini mengusulkan sistem pengenalan SIBI real-time yang mengintegrasikan pemodelan temporal berbasis LSTM dan pemodelan bahasa kontekstual menggunakan IndoBERT. Dataset terdiri dari 780 sequence gestur yang merepresentasikan 26 kelas alfabet. Hasil pengujian menunjukkan akurasi 93,59%, presisi 94,38%, recall 93,59%, dan F1-score 92,83%, dengan kecepatan pemrosesan 18,8 FPS dan latensi 54,45 ms per sampel. Evaluasi statistik menunjukkan bahwa jarak kamera berpengaruh signifikan terhadap kinerja sistem, sedangkan integrasi IndoBERT meningkatkan akurasi prediksi kata secara signifikan. Hasil penelitian menunjukkan bahwa framework yang diusulkan mampu meningkatkan interpretasi semantik sekaligus mempertahankan performa real-time untuk mendukung sistem komunikasi berbasis SIBI.