Rancang Bangun Aplikasi Deteksi Bahasa Isyarat untuk Pengenalan Huruf Hijaiyah Menggunakan Algoritma
Pengenalan huruf Hijaiyah Pengenalan huruf Hijaiyah bagi siswa tunarungu di SLB Negeri Bina Insani Kabupaten Kuningan masih mengalami kendala karena metode yang digunakan kurang interaktif dan kurang efektif, seperti membaca gerakan bibir dan penggunaan buku Iqra. Penelitian ini bertujuan untuk merancang dan membangun sebuah aplikasi deteksi bahasa isyarat huruf Hijaiyah berbasis Android yang memanfaatkan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 14.004 citra gambar huruf Hijaiyah, yang mencakup 28 huruf, terdiri atas 13.639 data sekunder yang diperoleh dari situs publik seperti Kaggle.com, dan 365 data primer yang dikumpulkan secara langsung oleh peneliti. Arsitektur CNN yang digunakan dalam penelitian ini adalah Xception dengan pendekatan transfer learning untuk meningkatkan akurasi dan efisiensi pelatihan model. Proses pengembangan aplikasi menggunakan metode prototyping dan dibangun menggunakan Android Studio. Aplikasi ini dirancang untuk mendeteksi gestur huruf Hijaiyah secara real-time dengan jarak deteksi optimal sekitar 40–70 cm dari kamera perangkat. Hasil penelitian menunjukkan bahwa aplikasi yang dibuat mampu mendeteksi dan mengenali huruf Hijaiyah dalam bentuk bahasa isyarat dengan tingkat akurasi sebesar 86,5%.

Introduction to Hijaiyah letters Introduction to Hijaiyah letters for deaf students at SLB Negeri Bina Insani, Kuningan Regency still experiences obstacles because the methods used are less interactive and less effective, such as reading lip movements and using the Iqra book. This study aims to design and build an Android-based Hijaiyah sign language detection application that utilizes the Convolutional Neural Network (CNN) algorithm. The dataset used consists of 14,004 Hijaiyah letter image images, covering 28 letters, consisting of 13,639 secondary data obtained from public sites such as Kaggle.com, and 365 primary data collected directly by researchers. The CNN architecture used in this study is Xception with a transfer learning approach to improve the accuracy and efficiency of model training. The application development process uses the prototyping method and is built using Android Studio. This application is designed to detect Hijaiyah letter gestures in real-time with an optimal detection distance of around 40–70 cm from the device camera. The results of the study showed that the application created was able to detect and recognize Hijaiyah letters in sign language with an accuracy level of 86.5%.