Perbandingan Arsitektur LeNet dan AlexNet Pada Metode Convolutional Neural Network Untuk Pengenalan American Sign Language
DOI:
https://doi.org/10.35143/jkt.v7i1.4489Kata Kunci:
Klasifikasi, ASL, CNN, LeNet, AlexNetAbstrak
American Sign Language (ASL) merupakan bahasa isyarat yang digunakan untuk berkomunikasi bagi penderita tuna rungu. Metode yang digunakan untuk mengenali ASL yaitu Convolutional Neural Network (CNN). Arsitektur yang digunakan LeNet dan AlexNet. Hasil dari masing-masing arsitektur kemudian dibandingkan kinerjanya. Penelitian dilakukan dengan 2 skema jumlah data yang digunakan, yaitu skema pertama 100 data per huruf dan skema kedua 1.000 data per huruf untuk menguji kinerja dari kedua arsitektur. Hasil penelitian setelah diuji dengan data baru, yaitu skema pertama untuk arsitektur LeNet menghasilkan akurasi keseluruhan 48,332% dan arsitektur AlexNet menghasilkan akurasi keseluruhan 32,584%. Skema kedua untuk arsitektur LeNet menghasilkan akurasi keseluruhan 92,468% dan arsitektur AlexNet menghasilkan akurasi keseluruhan 91,618%. Secara keseluruhan perbandingan dapat dikatakan bahwa arsitektur LeNet adalah arsitektur terbaik dalam penelitian ini.Unduhan
Referensi
Shivashankara and Srinath, “American Sign Language Recognition System: An Optimal Approach,†Int. J. Image, Graph. Signal Process., vol. 10, no. 8, pp. 18–30, 2018, doi: 10.5815/ijigsp.2018.08.03.
T. Hunt, J. Carper, T. Lasley, C. Raisch, and E. Drasgow, “American Sign Language,†Encycl. Educ. Reform Dissent, 2013, doi: 10.4135/9781412957403.n31.
M. E. Al Rivan, H. Irsyad, K. Kevin, and A. T. Narta, “Pengenalan Alfabet American Sign Language Menggunakan K-Nearest Neighbors Dengan Ekstraksi Fitur Histogram Of Oriented Gradients,†J. Tek. Inform. dan Sist. Inf., vol. 5, no. 3, pp. 328–339, 2020, doi: 10.28932/jutisi.v5i3.1936.
I. Fareza, R. Busdin, M. E. Al Rivan, and H. Irsyad, “Pengenalan Alfabet Bahasa Isyarat Amerika Menggunakan Edge Oriented Histogram dan Image Matching,†J. Tek. Inform. dan Sist. Inf., vol. 4, no. 1, pp. 82–92, 2018, doi: 10.28932/jutisi.v4i1.747.
M. Ezar, A. Rivan, and M. T. Noviardy, “Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan,†vol. 6, pp. 442–451, 2020.
M. Zufar and B. Setiyono, “Convolutional Neural Networks Untuk Pengenalan Wajah Secara Real-Time,†J. Sains dan Seni ITS, vol. 5, no. 2, p. 128862, 2016, doi: 10.12962/j23373520.v5i2.18854.
M. Bagus, S. Bakti, and Y. M. Pranoto, “Pengenalan Angka Sistem Isyarat Bahasa Indonesia Dengan Menggunakan Metode Convolutional Neural Network,†pp. 11–16, 2019.
M. Swapna, Y. K. Sharma, and B. M. G. Prasadh, “CNN Architectures: Alex Net, Le Net, VGG, Google Net, Res Net,†Int. J. Recent Technol. Eng., vol. 8, no. 6, pp. 953–960, 2020, doi: 10.35940/ijrte.f9532.038620.
S. Kulkarni and S. Harnoorkar, “Comparative Analysis of CNN Architectures,†vol. 7, no. June 6, pp. 1459–1464, 2020.
M. Kayed, A. Anter, and H. Mohamed, “Classification of Garments from Fashion MNIST Dataset Using CNN LeNet-5 Architecture,†Proc. 2020 Int. Conf. Innov. Trends Commun. Comput. Eng. ITCE 2020, no. February, pp. 238–243, 2020, doi: 10.1109/ITCE48509.2020.9047776.
S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,†JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018, doi: 10.32528/JUSTINDO.V3I2.2254.
V. Maeda-Gutiérrez et al., “Comparison of convolutional neural network architectures for classification of tomato plant diseases,†Appl. Sci., vol. 10, no. 4, 2020, doi: 10.3390/app10041245.
Akash, “ASL Alphabet,†https://www.kaggle.com/grassknoted/asl-alphabet/, 2018.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2021 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
