English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Penggunaan kamera yang dipakai sebagai input media bantu untuk pengenalan bahasa isyarat masih bergantung pada kondisi lingkungan. Sinyal EMG merupakan sinyal yang berasal dari pembacaan aktivitas otot tangan, sehingga sinyal EMG tidak bergantung pada kondisi lingkungan. Oleh karena itu sinyal EMG dapat dimanfaatkan untuk mengenali gerakan bahasa isyarat. Agar dapat digunakan untuk mengenali sebuah gerakan, komputer memerlukan sebuah mekanisme standar dan logis. Permasalah utama yang terjadi dalam pengenalan gerakan adalah bagaimana cara menghasilkan data yang representatif dan konsisten terhadap sampel gerakan. Sinyal EMG hasil perekaman akan dilakukan proses ekstraksi fitur berdasarkan time domain feature dengan metode MAV, RMS, VAR dan SSI. Hasil ekstraksi fitur tersebut akan digunakan sebagai input klasifikasi menggunakan metode naive bayes. Gerakan bahasa isyarat yang dikenali pada penelitian ini ada 20 gerakan. Hasil akurasi pengenalan gerakan antara data training diujikan terhadap data baru dengan perbandingan data 50:50 yaitu sebesar 79%. Jumlah perbandingan data training yang optimal digunakan untuk pengenalan 20 gerakan Bahasa isyarat Indonesia adalah ≥50% dari total data sampel dimana berada pada rata-rata 80%.

Klasifikasi Bahasa Isyarat Indonesia Berbasis Sinyal EMG Menggunakan Fitur Time Domain (MAV, RMS, VAR, SSI)