Efisiensi dan Generalisasi Gated Recurrent Unit pada Pengenalan Bahasa Isyarat Indonesia Berbasis Fitur Rangka

Abstrak

Pengembangan sistem penerjemah Bahasa Isyarat Indonesia (BISINDO) otomatis pada perangkat seluler menghadapi tantangan utama berupa beban komputasi yang tinggi dan variabilitas gaya isyarat antar-individu. Penelitian ini mengusulkan pendekatan ringan (lightweight) menggunakan ekstraksi fitur skeleton MediaPipe Holistic yang diintegrasikan dengan arsitektur Recurrent Neural Network (RNN). Penelitian ini secara spesifik mengevaluasi dan membandingkan kinerja arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam mengenali 12 kelas kata isyarat dinamis. Berbeda dengan mayoritas penelitian terdahulu yang menggunakan pembagian data secara acak, penelitian ini menerapkan skema validasi Leave-One-Subject-Out (LOSO) untuk menguji daya generalisasi model secara ketat terhadap pengguna baru (unseen subject). Hasil eksperimen menunjukkan disparitas performa yang signifikan antara kedua arsitektur. Model LSTM mengalami kesulitan dalam generalisasi dengan akurasi hanya mencapai 40,34%, sedangkan model GRU menunjukkan superioritas dengan akurasi mencapai 73,95%. Dari sisi efisiensi sumber daya, GRU terbukti lebih optimal dengan ukuran penyimpanan model sebesar 0,83 MB (22% lebih kecil dibandingkan LSTM) dan jumlah parameter 24% lebih sedikit, dengan kecepatan inferensi yang tetap stabil pada kisaran 13-14 FPS. Penelitian ini menyimpulkan bahwa GRU merupakan arsitektur yang lebih efektif dan efisien untuk implementasi sistem pengenalan BISINDO yang robust pada perangkat dengan sumber daya terbatas.

Identifier

• OpenAlex: https://openalex.org/W7163145755
• DOI: https://doi.org/10.33364/algoritma/v.23-1.3221