Integrasi Model Deep Learning pada Pengembangan Aplikasi Android Pendeteksi Bahasa Isyarat SIBI Menggunakan Jetpack Compose

Raka Agus Maulana; Ahmad Rio Adriansyah; Zaki Imaduddin

doi:10.54914/dbesti.v3i1.2081

Penulis

Raka Agus Maulana Sekolah Tinggi Teknologi Terpadu Nurul Fikri
Ahmad Rio Adriansyah Sekolah Tinggi Teknologi Terpadu Nurul Fikri
Zaki Imaduddin Sekolah Tinggi Teknologi Terpadu Nurul Fikri

DOI:

https://doi.org/10.54914/dbesti.v3i1.2081

Kata Kunci:

Android, Deep Learning, Rapid Application Development, SIBI, TensorFlow Lite

Abstrak

Hambatan komunikasi antara penyandang tunarungu dan masyarakat umum masih menjadi persoalan akibat kurangnya pemahaman terhadap bahasa isyarat. Penelitian ini bertujuan untuk mengembangkan aplikasi Android yang mampu mengenali huruf alfabet statis dalam Sistem Isyarat Bahasa Indonesia (SIBI) secara real-time guna mendukung komunikasi yang inklusif. Aplikasi ini dikembangkan menggunakan bahasa pemrograman Kotlin dan Jetpack Compose, serta menerapkan arsitektur perangkat lunak Clean Architecture untuk meningkatkan modularitas dan kemudahan pemeliharaan. Model Deep Learning diterapkan melalui integrasi TensorFlow Lite agar dapat dijalankan secara optimal pada perangkat mobile. Proses pengembangan mengikuti metode Rapid Application Development (RAD) dengan tahapan studi literatur, desain, implementasi, dan pengujian. Hasil pengujian menggunakan metode Black Box menunjukkan bahwa semua fitur utama berfungsi sesuai dengan kebutuhan. Selain itu, uji penerimaan pengguna (UAT) menghasilkan tingkat kepuasan sebesar 91,3%, yang menandakan bahwa aplikasi diterima dengan baik dari segi kegunaan dan antarmuka. Aplikasi ini diharapkan dapat menjadi solusi awal dalam memperkecil kesenjangan komunikasi antara penyandang tunarungu dan masyarakat luas.

Unduhan

Data unduhan belum tersedia.

Referensi

R. Fatmawati, R. Asmara, Y. R. Prayogi, and R. Y. Hakkun, “Aplikasi Pembelajaran Sistem Isyarat Bahasa Indonesia (SIBI) Berbasis Voice Menggunakan OpenSIBI,” Technomedia Journal, vol. 7, no. 1, pp. 22–39, 2022, doi: 10.33050/tmj.v7i1.1690.

S. Apendi, C. Setianingsih, and M. W. Paryasto, “Deteksi Bahasa Isyarat Sistem Isyarat Bahasa Indonesia Menggunakan Metode Single Shot Multibox Detector,” eProceedings of Engineering, vol. 10, no. 1, pp. 249–255, 2023, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/19322

World Health Organization (WHO), World Report On Disability. Jenewa, Swiss: WHO, 2021.

S. F. T. Andalas, “209,3 Juta Orang di Indonesia Menggunakan Smartphone pada Tahun 2023,” Good stats. Accessed: Sep. 24, 2024. [Online]. Available: https://data.goodstats.id/statistic/2093-juta-orang-di-indonesia-menggunakan-smartphone-pada-tahun-2023-cbha0

F. P. Al Fajri, “Perancangan Model Deep Learning untuk Penerjemah Bahasa Isyarat SIBI menggunakan Transfer Learning MobileNetV2,” Tugas Akhir Sekolah Tinggi Teknologi Terpadu Nurul Fikri, Depok, 2024.

D. I. Setyawan, H. Tolle, and A. P. Kharisma, “Perancangan Aplikasi Communication Board Berbasis Android Tablet Sebagai Media Pembelajaran dan Komunikasi Bagi Anak Tuna Rungu,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 8, pp. 2933–2943, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

N. Wiranda and A. E. Putra, “Model Identifikasi Kata Ucapan Tuna Wicara,” Indonesian Journal of Electronicsand Instrumentation Systems(IJEIS), vol. 9, no. 2, pp. 131–140, 2019.

W. D. Prastowo, D. Danianti, and A. Pramuntadi, “Analisis Risiko Pada Pengembangan Perangkat Lunak Menggunakan Metode Agile Dan Rad (Rapid Application Development),” Citizen : Jurnal Ilmiah Multidisiplin Indonesia, vol. 3, no. 3, pp. 169–174, 2023, doi: 10.53866/jimi.v3i3.388.

D. Murdiani and M. Sobirin, “Perbandingan Metodologi Waterfall Dan RAD Dalam Pengembangan Sistem Informasi,” JINTEKS (Jurnal Informatika Teknologi dan Sains), vol. 4, no. 4, pp. 302–306, 2022, [Online]. Available: http://www.jurnal.uts.ac.id/index.php/JINTEKS/article/view/2008

E. Susanti, “Implementasi RESTful API dalam Pembuatan Master Data Planogram Menggunakan Framework Flask (Studi Kasus: PT Sumber Alfaria Trijaya, Tbk),” Techno.Com, vol. 19, no. 3, pp. 295–307, 2020, doi: 10.33633/tc.v19i3.3468.

Jetbrains, “Get started with Kotlin,” Kotlin Language. Accessed: Sep. 29, 2024. [Online]. Available: https://kotlinlang.org/docs/getting-started.html#backend

F. Dzulqarnain and T. Tukino, “Rancang Bangun Aplikasi Belajar Arab Untuk Android Menggunakan Jetpack Compose Dan Kotlin,” Computer Based Information System Journal, vol. 11, no. 1, pp. 25–35, 2023, doi: 10.33884/cbis.v11i1.6666.

E. Milla and M. Radonjić, “Analysis of Developing Native Android Applications Using Xml and Jetpack Compose,” Balkan Journal of Applied Mathematics and Informatics, vol. 6, no. 2, pp. 167–178, 2023, [Online]. Available: https://js.ugd.edu.mk/index.php/bjami/article/view/6019

M. Peleš, S. Jevremović, A. Simović, and A. Hadžić, “Possibilities for developing and implementing a mobile application for recognizing the shape of the environment, text, and reading QR codes using the Android CameraX framework and the Machine Learning Kit,” Procedia of Economics and Business Administration, vol. 12, no. 2, pp. 119–127, 2021, [Online]. Available: www.icesba.euhttps://doi.org/10.26458/v6.i1.x

S. S. Sindarto, D. E. Ratnawati, and I. Arwani, “Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI) dengan Metode Convolutional Neural Network pada Perangkat Lunak berbasis Android,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputerurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 5, pp. 2129–2138, 2022, [Online]. Available: http://j-ptiik.ub.ac.id