Implementasi Klasifikasi Jarak Manhattan Pada Pengenalan Citra Sistem Isyarat Bahasa Indonesia (SIBI)

Penelitian ini bertujuan merancang dan mengimplementasikan sistem pengenalan citra Sistem Isyarat Bahasa Indonesia (SIBI) dengan menerapkan metode klasifikasi jarak Manhattan. Bahasa isyarat merupakan komunikasi visual yang sangat penting bagi penyandang tunarungu dan difabel, namun pemahaman masyarakat umum terhadap bahasa ini masih sangat terbatas. Komunikasi antara kedua kelompok seringkali menjadi tidak efektif karena kurangnya pemahaman terhadap isyarat yang digunakan. Oleh karena itu, diperlukan sistem bantu yang dapat mengenali bahasa isyarat secara baik dan akurat. Metode Manhattan dipilih karena memiliki rumus yang sederhana dan efisien dalam menghitung jarak antar data. Dataset yang digunakan diperoleh dari website Kaggle, terdiri dari 130 citra latih dan 130 citra uji, masing-masing mewakili 26 huruf alfabet dalam sistem SIBI. Seluruh citra mengalami proses awal berupa preprocessing menggunakan Jupyter Notebook, yang mencakup resize, penghapusan latar belakang, serta konversi ke citra grayscale untuk mempermudah proses ekstraksi fitur. Setelah itu, citra diubah ke dalam bentuk histogram yang kemudian dinormalisasi agar memiliki skala nilai yang seragam. Proses klasifikasi dilakukan dengan menghitung Manhattan Distance antara citra uji dan citra latih. Sistem dibangun menggunakan MATLAB R2015a dengan antarmuka pengguna yang menampilkan hasil secara langsung. Hasil pengujian menunjukkan bahwa dari 130 citra uji, sistem berhasil mengenali 104 citra secara akurat, dengan tingkat akurasi sebesar 80%. Temuan ini menunjukkan bahwa metode Manhattan cukup efektif untuk digunakan dalam sistem pengenalan bahasa isyarat berbasis citra. Sistem ini diharapkan dapat menjadi alat bantu yang inklusif dan edukatif, serta membantu memperkuat komunikasi antara penyandang tunarungu dan masyarakat umum. Pengembangan lebih lanjut dapat mencakup integrasi metode lain dan perluasan dataset.