BAB III METODOLOGI Pada bab ini akan dijelaskan secara lebih menyeluruh mengenai metodologi penelitian yang diusulkan dalam pembuatan sistem penerjemah bahasa isyarat sehingga didapat sistem yang handal. 3.1 Alat Penelitian Alat yang akan digunakan pada penelitian ini adalah seperangkat komputer dilengkapidengan beberapa perangkat lunak pendukung, sedangkan bahan yang digunakan adalah data rekaman video dengan kinect. Dalam penelitian ini digunakan perangkat keras komputer dengan spesifikasi sebagai berikut: 1. RAM 8 GB. 2. Hardisk 1TB. 3. Monitor 14 dengan resolusi 1366x768 Pixel. 4. Mouse dan Keyboard 5. Kinect XBOX 360. Perangkat keras yang digunakan memiliki spesifikasi yang cukup tinggi, hal tersebut dibutuhkan untuk menyelesaikan perhitungan dan perulangan yang kompleks. Adapun perangkat lunak yang digunakan adalah: 1. Microsoft Windows 7. 2. Matlab version 2013. 3. Library OpenNI 4. Primesense 1.2 Penelitian 3.2.1 Masukan yang digunakan pada penelitian ini adalah data video manusia yang sedang menggunakan bahasa isyarat khususnya isyarat huruf. video manusiadirekam menggunakan Kinect dengan memanfaatkan video kedalaman dan RGB serta SISTEM PENERJEMAH BAHASA ISYARAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK 15
16 menggunakan software OpenNI untuk menyimpan data tersebut. Hasil format data yang dihasilkan adalah.oni. Bahasa isyarat yang digunakan adalah 24 abjad huruf kecuali J dan Z. 24 abjad huruf mengacu pada Sistem Isyarat Bahasa Indonesi (SIBI). video isyarat diubah menjadi data citra. Gambar 3.1 menunjukan hasil isyarat yang direkam dengan menggunakan Kinect. Gambar 3. 1 Contoh data yang diambil dengan Kinect 3.2.2 Keluaran Output penelitian ini adalah kelas data semua abjad kecuali J dan Z. Kelas data didapat dari perhitungan menggunakan metode CNN. 3.3 Rancangan Penelitian Tahap-tahap dan alur rancangan penelitian ini meliputi studi literatur, pengumpulan data, analisis dan perancangan, implementasi, uji coba, analisis dan evaluasi hasil uji coba, penarikan kesimpulan,sebagaimana ditunjukan pada gambar 3.2. Studi Literatur Analisis dan Perancangan Analisis dan Evaluasi Hasil uji coba Pengumpulan Implementasi Penarikan Kesimpulan Uji coba Gambar 3. 2Rancangan Penelitian
17 3.3.1 Studi Literatur Studi literatur dilakukan dengan mencari sumber atau referensi terkait dengan penelitian yang dilakukan. Yaitu, tentangsistem Isyarat Bahasa Indonesia, Kinect dan metode deep learning tentang CNN (Convolutional Neural Networks). Setelah melakukan studi literatur, maka diperoleh suatu rumusan langkah apa yang dikerjakan, serta hal baru apa yang dihasilkan sebagaimana pada penelitian ini. Penjelasan mengenai teori-teori tersebut dapat dilihat pada BAB II. 3.3.2 Pengumpulan akan direkam dengan 5 model yang berbeda. Model adalah 5 mahasiswa Universitas Pendidikan Indonesia jurusan Pendidikan Khusus atau Pendidikan Luar Biasa bukan penyandang tuna rungu. Terdapat 24 kelas data. Masing-masing model direkam sebanyak 10 kali per kelas datanya. Sehingga, terdapat 1200 file video berformat.oni. 3.3.3 Analisis dan Perancangan Langkah analisis dan perancangan adalah langkah untuk menganalisa kebutuhan sistem secara intensif dan spesifik. Untuk memahami sifat sistem yang akan dibangun, pembuat sistem (analis) harus memahami domain informasi untuk sistem, fungsi yang dibutuhkan, perilaku, kinerja dan antarmuka sistem. Gambar 3.4 menunjukan rancangan alur sistem yang dibuat.
18 a Training Video Segmentation (frame by frame) Hand Locallization set training Pra proses pengolahan data Training CNN Pra proses pengolahan data Testing output set testing Hand Locallization Testing Video Segmentation (frame by frame) Gambar 3. 3Rancangan Alur Sistem 1. Video Segmentation dan Hand Locallization Pada proses videosegmentation semua data video yang didapatkan dari Kinect di normalisasi sesuai kebutuhan, dengan mengubah semua data video menjadi data citra. Setelah itu dilakukan proses Hand Locallizationyang bertujuan untuk mendapatkan area lengan saja. Proses Hand Locallizationdilakukan dengan cara cropping citra secara manual. setelah dinormalisasi disebut data set.
19 2. Pra proses pengolahan data Pada proses pengolahan data, ukuran data citra diubah menjadi ukuran 28 x 28. Lalu data citra di normalisasi. Normalisasi adalah proses mengubah isi matriks dari data citra menjadi 0 sampai dengan 1. 3. Training dan Testing Pada proses training dan testing diolah dengan menggunakan metode deep learning, yaitu CNN. Dan output dari proses ini adalah kelas data. Metode CNN yang digunakan menggunakan 4 layer CNN yaitu 2 proses convolution dan 2 proses subsampling. Input citra berukuran 28x28 piksel. Menggunakan 5x5 kernel untuk proses convolution. Proses subsampling menggunakan skala 2x2. Output map untuk proses convolution yaitu 6 dan 12 (The MNIST base of Handwritten, 2012). training menggunakan 10000 dan 40000 epoch untuk iterasinya. Input 28x28 24x24x6 12x12x6 8x8x72 4x4x72 Output 5x5 convolution 5x5 2x2 convolutio subsamplin n g Gambar 3. 4 4 layer CNN 2x2 subsampling 3.3.4 Implementasi Implementasi pada sistem ini adalah dengan melakukan pengkodean atau coding. Pengkodean merupakan penerjemahan design dalam bahasa yang dapat dikenali oleh komputer. Tahapan ini merupakan tahapan secara nyata dalam pengerjaan suatu sistem. Dalam artian penggunaan komputer akan dimaksimalkan pada tahap ini. 3.3.5 Uji Coba Setelah sistem selesai dibuat maka dilakukan proses uji coba dengan menggunakan data set testing.
20 3.3.6 Analisis dan Evaluasi Hasil Uji Coba Pada tahap ini akan dilakukan analisis dan evaluasi untuk mendapat hasil seberapa handal sistem yang dibangun. Selain itu, dilakukan juga interpretasi dari hasil analisis tersebut. Apakah layak atau tidak nya sistem ini. 3.3.7 Penarikan Kesimpulan Pada tahap ini akan dibuat kesimpulan dari hasil analisis dan evaluasi data yang telah diuji coba berdasarkan rumusan masalah. Dengan begitu juga dapat ditarik kesimpulan berupa akurasi dalam bentuk persen. Kesimpulan ini menentukan kinerja sistem yang telah dibuat. Kesimpulan dapat dilihat pada BAB V.