| dc.description.abstract | Diversitas gaya komunikasi non-verbal bagi penyandang disabilitas di Indonesia
mendesak solusi teknologi yang mendukung fasilitas kebutuhan disabilitas dalam
lingkungan kerja dan aspek sosial. Penelitian bertujuan menawarkan pendekatan baru dalam
meningkatkan kinerja jaringan saraf menggunakan arsitektur sederhana untuk pengenalan
huruf SIBI (M dan N) melalui metode keypoint detection, dengan memperhatikan variasi
ukuran tangan (17–22 cm). Empat model dievaluasi: YOLOv5 berbasis image detection,
serta VGG-16, Attention, dan Multi-Layer Perceptron (MLP) yang dikembangkan
menggunakan keypoint detection. Evaluasi dilakukan secara real-time dengan
mempertimbangkan aksesori seperti cincin, jam tangan, dan sarung tangan, serta variasi
intensitas pencahayaan untuk mensimulasikan kondisi nyata di lingkungan pengguna.
Kebaruan terletak pada integrasi keypoint detection ke dalam arsitektur sederhana, yang
terbukti meningkatkan akurasi dan ketahanan terhadap gangguan visual (noise). Model MLP
menunjukkan performa terbaik dengan akurasi 94% (M) dan 93% (N), mengungguli
pendekatan kompleks seperti YOLOv5 yang turun drastis dalam kondisi terganggu. Integrasi
VGG-16 dengan Attention justru menghasilkan underfitting, menegaskan bahwa
kompleksitas tidak selalu berkorelasi dengan efektivitas. Temuan ini menyoroti potensi
model ringan untuk digunakan memperluas aksesibilitas teknologi bagi komunitas
disabilitas di berbagai konteks sosial dan profesional. | en_US |
