ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4608
SIMULASI DAN ANALISIS PENERJEMAH BAHASA ISYARAT KE TEKS MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE SIMULATION AND ANALYSIS OF SIGN LANGUAGE TRANSLATOR TO TEXT USING SUPPORT VECTOR MACHINE CLASSIFICATION METHOD Hendra Priyana Mirantika1, Ratri Dwi Atmaja2, I Nyoman Apraz Ramatryana3 1
Program Studi Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Program Studi Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom 3 Program Studi Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom 1
[email protected],
[email protected],
[email protected] 2
Abstrak Penelitian ini membahas tentang penerjemah bahasa isyarat ke teks yang mengacu ke SIBI(Sistem Isyarat Bahasa Indonesia) dengan input video. Pada penelitian ini digunakan metode invariant moment untuk ekstraksi ciri dan Support Vector Machine sebagai classifier. Proses yg dilakukan pada penelitian ini berupa tracking objek tangan dari peraga isyarat berdasarkan warna kulit yang disegmentasi menggunakan skin detection dalam ruang warna YCbCr. Setelah itu dilakukan cropping objek tangan kemudian dikonversi ke grayscale dan dicari nilai vektor moment menggunakan invariant moment. Selanjutnya 7 vektor moment yang didapat, dilatih untuk mendapatkan data latih lalu diklasifikasikan dengan Support Vector Machine(SVM). Pengujian dari 17 kata mendapatkan akurasi sebesar 80,63%. Pengujian dilakukan dengan mengubah parameter kernel pada SVM dan hasil terbaik didapatkan dengan menggunakan kernel RBF dan input classifier menggunakan ciri dari 7 vektor moment. Kata kunci : Bahasa isyarat, skin detection, Invariant Moments, Support Vector Machine
Abstract This study discusses the sign language translator to text that refers to the SIBI (Indonesian Sign Language System) with video input. In this experiment, invariant moment method used for feature extraction and Support Vector Machine as classifier. The process in this study are hands trackingbased on skin color segmented using skin detection in the YCbCr color space. Then cropping the hand and converted to grayscale and compute moments vector value using invariant moment. Next, train the seven moments to obtain training data and then classified with Support Vector Machine (SVM). Tests from 17 word got 80,63% accuracy rate. Testing is done by changing the kernel parameters on SVM and the best results obtained by using RBF kernel and input for classifier using the seven moments value. Keyword : Sign Language, skin detection, Invariant Moments, Support Vector Machine
1.
PENDAHULUAN
Penerjemah bahasa isyarat dibutuhkan agar para tunarungu bisa menyampaikan maksud dan tujuan mereka kepada orang-orang yang biasa berkomunikasi verbal, dimana banyak orang-orang normal yang belum paham setiap pola dari bahasa isyarat. Dalam jurnal ini, dilakukan proses simulasi dan analisis penerjemah dari Sistem Isyarat Bahasa Indonesia (SIBI) ke dalam teks Bahasa Indonesia. Penerjemah yang dibuat, input didapat dari rekaman video, kemudian diolah dalam software agar mendapatkan output berupa teks. Penelitian sebelumnya sudah pernah menggunakan metode Hidden Markov Model (HMM) dalam pembuatan sistem penerjemah bahasa isyarat dengan input video dan menghasilkan output suara, serta akurasi yang diperoleh sebesar 90% [1]. Selanjutnya, dilakukan penelitian dengan metode yang berbeda, yaitu metode Linear Discriminant Analysis (LDA) dengan tingkat akurasi 83,3% [2]. Pengembangan terakhir dari penelitian ini, digunakan metode ekstraksi ciri Local Binary Pattern dan HMM untuk klasifikasinya. Penelitian ini sudah mencapai akurasi yang baik, yaitu untuk 1 gerakan mencapai akurasi 76,7%, 2 gerakan mencapai akurasi 93,3% dan untuk lebih dari 2 gerakan mencapai akurasi 96,7%[3]. Perbedaan penelitian ini dengan penelitian sebelumnya adalah penelitian ini dibuat penerjemah yang bisa menerjemahkan per-huruf, dari file video yang setiap video terdiri dari satu kata. Metode Ekstraksi ciri yang digunakan dalam penelitian ini adalah Moment Invariant. karena
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4609
berdasarkan penelitian yang dilakukan [4], memberikan rata-rata akurasi diatas 90% sehingga memberikan performa yang andal dalam merepresentasikan ciri suatu objek khususnya dalam kasus pattern recognition. Sementara untuk metode klasifikasi menggunakan Support Vector Machine, karena berdasarkan penelitian yang dilakukan oleh Chamasemani, Fareshteh F dan Singh, Yashwant P bahwa classifier SVM khususnya dengan Multiclass memberikan performa dan akurasi yang lebih baik dibandingkan dengan classifer lain dalam penelitian tersebut [5]. 2.
DASAR TEORI dan METODOLOGI PERANCANGAN
2.1 Dasar teori 2.1.1 Bahasa Isyarat Bahasa isyarat pada dasarnya sama dengan bahasa verbal/lisan, namun bahasa isyarat disampaikan melalui gerakan-gerakan tubuh/tangan, sedangkan bahasa verbal/lisan disampaikan secara lisan menggunakan mulut. Dalam hal penggunaannya, bahasa isyarat tergolong lebih tidak praktis dan susah dimengerti dibandingkan dengan bahasa lisan. 2.1.2 Citra Digital Citra Digital merupakan suatu teknik pengolahan/manipulasi gambar atau citra yang direpresentasikan dalam bidang dua dimensi. Citra digital merupakan suatu matriks dimana posisi baris dan kolom merupakan penunjuk untuk posisi pada citra dan elemen matriksnya (biasa disebut piksels) merupakan tingkat keabuan pada titik tersebut. 2.1.3 Invariant Moments Invariant moments merupakan suatu metode ekstraksi ciri yang pertamakali diperkenalkan oleh Hu [4]. Metode ini memiliki kelebihan Rotation Scale Translation (RST)-invariant atau vektor ciri yangdihasilkan oleh metode ini memiliki kesamaan sebelum dan sesudah mengalami RST. Jika ada sebuah citra dua dimensi dengan fungsi f(x,y), maka secara kontinu persamaan momen dapat dirumuskan sebagai berikut : ߟ
ߟ
ߟ ା(ߟߟ) = ∫ାߟ ∫ାߟ ݕ ݔା(ݔ,ߟ )ݕାݕାݔ
(1)
Berdasarkan persamaan moment diatas tidak bersifat invariant terhadap RST. Sehingga jika menginginkan invariant terhadap RST, diperlukan persamaan baru yang dinamakan momen pusat (Central Moment). ߟ ߟ ߟ (2) ߟ(ߟߟ) = ∫ାߟ ∫ାߟ( ݔ− ݕ( )ݔ−ߟ )ߟݕା(ݔ, )ݕାݕାݔ dimana
= ݔ
ߟߟߟ ߟߟߟ
ߟ
ߟߟߟ = ߟݕ
(3)
ߟߟ
ݔ, ߟݕmerupakan centroid dari suatu citra dengan fungsi ା(ݔ, )ݕ. Sementara itu, agar fungsi atau persamaan diatas bisa tahan terhadap penskalaan, maka diperlukan normalisasi dengan persamaan sebagai berikut : ߟାା ߟାߟ ߟ ߟ+1 ߟ (ߟߟ) = (4) ା ,ߟ = ߟ ߟߟ
ߟ
Sehingga dari persamaan diatas, dibentuk 7 moment yang invariant terhadap RST, dengan persamaan sebagai berikut : ߟߟ = ߟߟߟ + ߟߟߟ ߟߟ = (ߟߟߟ − ߟߟߟ )ߟ + 4ߟ ߟ ߟߟ ߟߟ = (ߟߟߟ − 3ߟߟߟ )ߟ + (3ߟߟߟ − ߟߟߟ )ߟ ߟߟ = (ߟߟߟ + ߟߟߟ )ߟ + (ߟߟߟ + ߟߟߟ )ߟ ߟߟ = (ߟߟߟ − 3ߟߟߟ )(ߟߟߟ + ߟߟߟ )[(ߟߟߟ + ߟߟߟ )ߟ − 3(ߟߟߟ + ߟߟߟ )ߟ ] + (3ߟߟߟ − ߟߟߟ )(ߟߟߟ + ߟߟߟ )[3(ߟߟߟ + ߟߟߟ )ߟ − (ߟߟߟ + ߟߟߟ )ߟ ] ߟߟ = (ߟߟߟ − ߟߟߟ )[(ߟߟߟ + ߟߟߟ )ߟ − (ߟߟߟ + ߟߟߟ )ߟ ] + 4ߟߟߟ (ߟߟߟ + ߟߟߟ )(ߟߟߟ + ߟߟߟ ) ߟߟ = (3ߟߟߟ − ߟߟߟ )(ߟߟߟ + ߟߟߟ )[(ߟߟߟ + ߟߟߟ )ߟ − 3(ߟߟߟ + ߟߟߟ )ߟ ] − (ߟߟߟ − 3ߟߟߟ )(ߟߟߟ + ߟߟߟ )[3(ߟߟߟ + ߟߟߟ )ߟ − (ߟߟߟ + ߟߟߟ )ߟ ] 2.1.4 Support Vector Machine (SVM) [6] Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane (Duda dan Hart tahun 1973, Cover tahun 1965,Vapnik tahun 1964, dan sebagainya.), kernel diperkenalkan oleh Aronszajn tahun 1950, dan demikian juga dengan konsepkonsep pendukung yang lain.
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4610
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Hyperplane dalam ruang vektor berdimensi d adalah affine subspace berdimensi d-1 yang membagi ruang vektor tersebut ke dalam dua bagian, yang masing-masing berkorespondensi pada kelas yang berbeda. Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. 2.2 Metodologi Perancangan Gambaran sistem yang akan dibuat secara garis besar dibedakan menjadi dua bagian, yaitu bagian pelatihan (training) dan pengujian (testing). Diagram alir untuk proses pengujian dan pelatihan/training dapat dilihat pada gambar berikut : Mulai
Mulai
Rekaman Video
Citra Lati h
Konversi Video Ke Frame
Pre-processing
Pre-processing
Ekstraksi Ci ri
Ekstraksi Ci ri
Train dengan SVM
Kalsifikasi denga n SVM
Hasil Klasifikasi
Hasil Training
Selesai
Selesai
Gambar 1 Diagram Alir Sistem Secara Umum 2.2.1.
Rekaman Video
Rekaman video diperlukan sebagai input dalampenerjemah bahasa isyarat. Perekaman video menggunakan kamera webcam dengan framerate 15 fps, dan ukuran videonya adalah 320x240 pixels, berformat .mp4. Penelitian ini menggunakan 17 kata dimana setiap kata terdapat satu kata isyarat. Kata tersebut diantaranya adalah bandara, bandung, cari, cemas, dimana, fasih, ke, langsung, obat, pergi, pohon, qadar, surabaya, wayang, xilem, vital, dan saya. Berikut ini contoh frame-frame dari file video isyarat:
Gambar 2 Contoh Bahasa Isyarat A 2.2.2.
Konvensi Video ke Frame
Pada tahapan ini, file video diekstrak menjadi frame-frame sesuai dengan jumlah frame dalam setiap video, karena ditahap berikutnya yang akan diproses/diolah adalah setiap frame dari masing-masing video. 2.2.3. Pre-processing Pre-processing merupakan proses persiapan citra untuk diolah ketahap berikutnya yakni ekstraksi ciri. Berikut ini merupakan blok diagram pre-processing:
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4611
Gambar 3 Blok Diagram Pre-processing 1.
Tracking Tangan
Tracking tangan diperlukan untuk penentuan frame isyarat agar memudahkan saat diolah. Input pada proses tracking tangan pada diagram alir diatas adalah frame yang sebelumnya sudah diekstrak. Hasil dari proses tersebut adalah informasi koordinat kolom dan baris dari objek tangan yang terdeteksi. 2. Pemilihan Frame Pada tahap ini koordinat yang didapatkan dari proses tracking akan diolah untuk mendapatkan range frame isyarat serta menentukan satu frame untuk setiap rangenya. 3. Cropping Setelah objek tangan berhasil dideteksi, proses selanjutnya adalah memotong bagian objek tersebut untuk diproses ditahap berikutnya. Objek dicrop berdasarkan luas bounding box pada objek tangan, sehingga ukuran untuk setiap pola isyarat akan berbeda-beda. 2.2.4. Ekstraksi Ciri / Feature Extraction Pada tahap ini, citra yang sudah diolah di pre-processing selanjutnya akan di cari feature/ciri menggunakan metode Invariant Moments.Metode momen invarian akan menghitung momen suatu citra, kemudian dihasilkan tujuh vektor momen yang akan digunakan sebagai input pada classifier. 2.2.5. Classification / Klasifikasi Tujuan dari klasifikasi adalah untuk menentukan kelas dari suatu objek yang diuji. Dalam penelitian ini, data latih terdiri dari 480 citra dengan 20 citra untuk masing-masing isyarat. 3. PEMBAHASAN 3.1 Data Uji dan Akurasi Sistem Data yang akan diuji ada sebanyak 17 kata. Akurasi sistem ditentukan dari setiap kata berdasarkan huruf yang benar dari kata tersebut. Kemudian diambil akurasi rata-rata dari setiap akurasi 17 kata. ାାାߟݑℎ ℎା ݑߟݑାାାାߟ ାାାାݑℎ ℎାݑߟݑ
ାߟାߟݑାߟߟ ߟାߟା =
ାߟାߟݑାߟߟߟߟߟߟߟ =
ߟାߟ
∑ߟߟ ାߟାߟݑାߟߟାߟାߟߟାߟ ାାାݐߟ ߟݐାߟ ାାା
3.2 Analisis Pemilihan Frame dan Ekstraksi Ciri 1. Pengaruh threshold selisih baris dan kolom serta counter pada pemilihan frame isyarat Dalam video isyarat penelitian ini, tidak semua frame dibutuhkan untuk menunjukan suatu isyarat, melainkan hanya diambil frame-frame tertentu sesuai dengan banyaknya jumlah huruf yang ada dalam satu kata. Penentuan ini dapat dilakukan dengan melihat selisih baris dan kolom serta counter(range) untuk nilai yang konstan sampai ke gerakan isyarat lainnya.
Gambar 4 Grafik Selisih Baris dan Kolom Gambar 4 merupakan selisih baris sedangkan biru merupakan selisih kolom. Frame isyarat yang dibutuhkan ada diantara setiap puncak berwarna merah dan biru(bagian lembah). Sehingga langkah awal adalah menentukan range isyarat, kemudian mencari selisih terkecil dalam range tersebut. Dari grafik kita bisa langsung menentukan kisaran threshold yang digunakan.
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4612
2. Pengaruh Nilai Vektor Momen Terhadap Akurasi Sistem Pada pengujian penelitian ini, hanya untuk mengetahui pengaruh masing-masing nilai momen serta kombinasi momen terhadap akurasi sistem. Tabel 1 Akurasi setiap vektor ciri dari moment invariant KATA
momen ke-1 Akurasi
momen ke-2 Akurasi
momen ke-3 Akurasi
momen ke-4 Akurasi
momen ke-5 Akurasi
momen ke-6 Akurasi
momen ke-7 Akurasi
7 momen Akurasi
bandung
28,57
28,57
14,29
14,29
42,86
28,57
28,57
57,14
bandara
57,14
57,14
42,86
42,86
57,14
57,14
57,14
71,43
cari
25,00
25,00
50,00
25,00
50,00
25,00
25,00
50,00
cemas
20,00
40,00
40,00
20,00
20,00
20,00
20,00
80,00
dimana
33,33
33,33
33,33
50,00
50,00
50,00
50,00
83,33
fasih
20,00
20,00
20,00
40,00
20,00
40,00
20,00
60,00
ke
0,00
0,00
0,00
0,00
0,00
0,00
0,00
50,00
langsung
12,50
12,50
12,50
12,50
25,00
12,50
12,50
12,50
obat
50,00
50,00
25,00
25,00
25,00
25,00
25,00
100,00
pergi
0,00
0,00
0,00
0,00
20,00
0,00
20,00
60,00
pohon
0,00
0,00
0,00
0,00
0,00
0,00
0,00
80,00
qadar
40,00
40,00
40,00
60,00
60,00
60,00
60,00
80,00
surabaya
50,00
50,00
37,50
37,50
37,50
37,50
37,50
50,00
wayang
33,33
33,33
33,33
33,33
50,00
33,33
33,33
33,33
xilem
0,00
0,00
0,00
0,00
0,00
0,00
0,00
40,00
vital
20,00
20,00
20,00
20,00
20,00
20,00
20,00
80,00
saya
50,00
50,00
50,00
50,00
50,00
50,00
50,00
50,00
25,88
27,05
24,64
25,32
31,03
27,00
27,00
61,04
Pada Tabel 1 dapat diketahui bahwa akurasi terbaik adalah dengan menggabungkan ketujuh vektor ciri, karena jika menggunakan satu vektor ciri, untuk sejumlah 24 kelas, terdapat banyak kemiripan antar kelas. Hal tersebut membuat pengenalan menjadi tidak baik dan akurasi menjadi rendah. Untuk itu digunakan kombinasi 7 vektor momen agar setiap kelas memiliki nilai ciri yang berbeda dengan kelas lain, sehingga memungkinkan pengenalan bahasa isyarat menjadi lebih baik dan akurasi menjadi lebih tinggi dibanding menggunakan satu vektor ciri. 3.3 Analisis Support Vector Machine 1. Pengujian menggunakan metode SVM One Againts All a. Pengujian menggunakan Kernel Linear Pada pengujian ini digunakan kernel linier dengan input 7 vektor moment invariant dan parameter C dari 1-40 dengan interval 10. Tabel 2 Akurasi menggunakan kernel Linier SVM KERNEL LINEAR Kata\C
c=1
c=10
c=20
c=30
c=40
bandung
57,142857
57,142857
57,142857
57,142857
57,142857
bandara
71,428571
64,285714
64,285714
64,285714
64,285714
62,5
62,5
62,5
62,5
62,5
cemas
60
50
50
50
50
dimana
75
66,666667
66,666667
66,666667
66,666667
fasih
60
60
60
60
60
ke
25
25
25
25
25
43,75
43,75
37,5
37,5
37,5
50
50
50
50
50
cari
langsung obat
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4613
Tabel 2 Akurasi menggunakan kernel Linier (lanjutan) SVM KERNEL LINEAR Kata\C
c=1
c=10
c=20
c=30
c=40
pergi
50
50
50
50
50
pohon
60
60
60
60
60
qadar
80
80
80
80
70
43,75
43,75
43,75
43,75
43,75
wayang
50
50
50
50
50
xilem
60
60
60
60
50
vital
40
40
40
40
40
saya
50
50
50
50
50
55,21008
53,711485
53,343838
53,343838
52,167367
surabaya
Rata_rata Akurasi
Pada Tabel 2 dapat dilihat bahwa parameter C mempengaruhi besar akurasi. Untuk penggunaan C=1 memiliki akurasi yang lebih baik dari yang lain. Semakin besar nilai C membuat antisipasi terhadap kesalahan klasifikasi menjadi kurang baik, karena parameter C berfungsi untuk meminimalkan kesalahan klasifikasi yang disebabkan adanya datatest yang masuk dalam area margin dari hyperplane. Sehingga nilai akurasi terbaik untuk kernel linear ini adalah 55,21% dengan parameter C=1. b. Pengujian menggunakan kernel Polynomial Pada pengujian ini, sejumlah data uji diklasifikasikan menggunakan Kernel Polynomial dan parameter yang diubah adalah parameter p dan parameter C. Parameter p yang digunakan yaitu hasil akurasi dari nilai p=3, p=4, dan p=5 Tabel 3 Akurasi menggunakan kernel Polynomial SVM KERNEL POLYNOMIAL Kata\C
c=1
c=10
c=20
c=30
c=40
Rata-rata Akurasi p=3
62,70308
62,60504
62,60504
62,60504
62,60504
Rata-rata Akurasi p=4
60,763305
60,763305
60,763305
60,763305
60,763305
Rata-rata Akurasi p=5
64,537815
64,537815
64,537815
64,537815
64,537815
Berdasarkan Tabel 3 bahwa paramter p mempengaruhi hasil persamaan hyperplane untuk proses pemisahan antar kelas. Rentang nilai C dari 1-40 dengan interval 10 masih belum cukup memberikan dampak antisipasi kesalahan error pada klasifikasi baik itu dampak yang meminimalkan kesalahan atau memperbesar kesalahan klasifikasi. nilai parameter C mempengaruhi besar akurasi sistem, dengan semakin tinggi nilai C, maka pengontrolan error terhadap klasifikasi menjadi kurang baik. Berdasarkan ketiga tabel diatas, dapat dilihat bahwa akurasi terbaik untuk klasifikasi menggunakan Kernel Polynomial adalah dengan menggunakan parameter p=5 dan parameter C untuk segala nilai dari C=1 sampai C=40 dengan interval 10. c. Pengujian menggunakan kernel RBF Pada pengujian ini menggunakan kernel RBF (Radial Basis Function). Parameter yang diubah adalah parameter rbf_sigma dengan nilai dari 1 sampai 3. Kemudian ada parameter C dengan rentang 1-40 dan interval 10. Tabel 4 Akurasi menggunakan kernel Polynomial SVM KERNEL RBF Kata\C
c=1
c=10
c=20
c=30
c=40
Rata-rata Akurasi sigma=1
80,63375
73,228291
71,652661
72,440476
72,860644
Rata-rata Akurasi sigma=2
80,23459
74,887955
73,662465
71,918768
71,428571
Rata-rata Akurasi sigma=3
80,23459
74,887955
73,662465
71,918768
71,428571
Parameter rbf_sigma mempengaruhi besar akurasi, yakni didapatkan akurasi optimal dari perubahan nilai rbf_sigma adalah rbf_sigma=1. Sementara semakin besar nilai rbf_sigma, maka terlihat akurasi semakin menurun. Paramater C yang digunakan untuk memperkecil klasifikasi error terlihat semakin tidak efektif/akurasi semakin kecil ketika nilai parameter C ditambah. Hal ini berlaku untuk hasil dari ketiga tabel diatas. Sehingga berdasarkan pengujian, untuk mendapatkan akurasi yang optimal dengan menggunakan kernel RBF, parameter rbf_sigma diatur menjadi 1 dan parameter C juga diatur menjadi 1.
ISSN : 2355-9365
2.
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4614
Pengujian menggunakan metode SVM One Againts All a. Pengujian menggunakan kernel linear Tabel 5 Akurasi menggunakan kernel linear SVM KERNEL LINEAR Kata\C
c=1
c=10
c=20
c=30
c=40
bandung
64,285714
64,285714
64,285714
64,285714
64,285714
bandara
71,428571
71,428571
71,428571
71,428571
71,428571
62,5
62,5
62,5
62,5
62,5
70
70
70
70
70
66,666667
66,666667
66,666667
66,666667
66,666667
fasih
80
80
80
80
80
ke
50
50
50
50
50
81,25
81,25
81,25
81,25
81,25
62,5
62,5
62,5
62,5
62,5
pergi
80
80
80
80
80
pohon
90
90
90
90
90
qadar
80
80
80
80
80
68,75
68,75
68,75
68,75
68,75
66,666667
66,666667
66,666667
66,666667
66,666667
80
80
80
80
80
cari cemas dimana
langsung obat
surabaya wayang xilem vital
100
100
100
100
100
saya
62,5
62,5
62,5
62,5
62,5
72,7381
72,738095
72,738095
72,738095
72,738095
Rata-rata Akurasi
Parameter C tidak memberikan pengaruh terhadap akurasi dikarenakan range pemilihan terlalu kecil sehingga untuk pengurangan error tidak terlihat. Sehingga akurasi yang didapat dari penggunaan kernel linear adalah 72,74%. b. Pengujian menggunakan kernel polynomial Pada pengujian ini, sejumlah data uji diklasifikasikan menggunakan Kernel Polynomial dan parameter yang diubah adalah parameter p dan parameter C. Parameter p yang digunakan yaitu hasil akurasi dari nilai p=3, p=4, dan p=5 Tabel 6 Akurasi menggunakan kernel Polynomial SVM KERNEL POLYNOMIAL Kata\C
c=1
c=10
c=20
c=30
c=40
Rata-rata Akurasi p=3
75,62675
75,626751
75,626751
75,626751
75,626751
Rata-rata Akurasi p=4
77,510504
77,510504
77,510504
77,510504
77,510504
Rata-rata Akurasi p=5
68,785014
68,785014
68,785014
68,785014
68,785014
Parameter C tidak berpengaruh terhadap akurasi. Tidak ada data pencilan yang masuk kedalam margin hyperplane antar kelas. Sementara untuk parameter p memberikan pengaruh terhadap perubahan akurasi. Parameter p yang optimal pada penelitian ini adalah p=4, karena jika nilai p bertambah, maka akurasi juga akan semakin kecil. Sehingga akurasi yang didapatkan untuk kernel polynomial adalah sebesar 77,51% dengan parameter p=2 dan parameter C bisa disemua nilai dari rentang 1-40 dengan interval 10. c. Pengujian menggunakan kernel RBF Pada pengujian ini menggunakan kernel RBF (Radial Basis Function). Parameter yang diubah adalah parameter rbf_sigma dengan nilai dari 1 sampai 3. Kemudian ada parameter C dengan rentang 1-40 dan interval 10.
ISSN : 2355-9365
e-Proceeding of Engineering : Vol.3, No.3 December 2016 | Page 4615
Tabel 7 Akurasi menggunakan kernel Polynomial SVM KERNEL RBF Kata\C Rata-rata Akurasi sigma=1
c=1 79,15966
c=10 79,159664
c=20 79,159664
c=30 79,159664
c=40 79,159664
Rata-rata Akurasi sigma=2
77,12535
77,12535
77,12535
77,12535
77,12535
Rata-rata Akurasi sigma=3
71,841737
71,841737
71,841737
71,841737
71,841737
Klasifikasi menggunakan kernel RBF didapatkan hasil yang optimal adalah dengan menggunakan parameter rbf_sigma=1. Sedangkan parameter C tidak memberikan pengaruh apapun disaat rangenya hanya dari 1-40. Dapat dilihat bahwa penambahan nilai rbf_sigma berdampak pada menurunnya akurasi. Sehingga akurasi yang diperoleh adalah sebesar 79,16%. 4.
KESIMPULAN
a. Kesimpulan Berdasarkan hasil analisis dari pengujian penerjemah bahasa isyarat ke teks, dapat ditarik beberapa kesimpulan antara lain adalah : 1. Pada penelitian ini, penggunaan vektor moment invariant yang paling efektif untuk akurasi yang tinggi adalah dengan memasukkan ketujuh vektor ciri kedalam pelatihan classifier dan akurasinya sebesar 61,04%. 2. Akurasi tertinggi didapatkan dengan menggunakan metode OAA dan menggunakan kernel RBF dengan parameter sigma=1 dan C=1, dengan akurasi sebesar 80,63%. a. Saran Berikut merupakan saran dari penulis untuk memperbaiki kekurangan yang ada dalam penelitian ini dan mengembangkan penelitian ini agar berguna sesuai dengan tujuan dalam penelitian ini. Adapan saran yang diberikan adalah: 1. Untuk penelitian selanjutnya sebaiknya dilakukan pre-processing yang lebih baik untuk menambah akurasi sistem dan mempercepat waktu komputasi. 2. Untuk penelitian selanjutnya sebaiknya dibuat sistem yang realtime 3. Untuk penelitian selanjutnya sebaiknya diaplikasikan ke android 4. Untuk penelitian selanjutnya sebaiknya menggunakan ekstraksi ciri dan classifier yang lain untuk membandingkan ekstraksi ciri dan classifier pada penelitian sebelumnya DAFTAR PUSTAKA [1]. Adisti, I. (2010). Perancangan dan Implementasi Penerjemah Bahasa Isyarat Dari Video Menjadi Suara Menggunakan Ekstraksi Ciri dan Hidden Markov Model. Bandung: Teknik Telekomunikasi, Institut Teknologi Telkom. [2]. Nasution, N. M. (2011). Desain dan Implementasi Sistem Penerjemah Bahasa Isyarat Berbasis Webcam dengan Metode Linear Discriminant Analysis. Bandung: Teknik Telekomunikasi, Institut Teknologi Telkom [3]. Najiburahman, M. (2015). Simulasi dan Analisis Sistem Penerjemah Bahasa Sibi Menjadi Bahasa Indonesia Menggunakan Metode Klasifikasi Hidden Markov Model. Bandung: Manajemen Bisnis Telekomunikasi & Informatika, Universitas Telkom [4]. Paschalakis. (1999). Pattern Recognition in Grey Level Images Using Moment Based Invariant Features. Image Processing and its Applications, 245-249. [5]. Chamasemani, F., & Singh, Y. (2011). Multi-class Support Vector Machine (SVM) Classifiers - An Application in Hypothyroid Detection and Classification. Theories and Apllication, 351-356. [6]. Sembiring, K. (2007). Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan. Bandung: ITB.