Menurut World Health Organization pada tahun 2023 diperkirakan terdapat sekitar 466 juta atau sekitar 5,3% penduduk dunia mengalami ketulian dimana 432 juta orang dewasa dan 34 juta diantaranya merupakan anak-anak. Dengan adanya perbedaan kondisi fisik maka akan terjadi hambatan dalam berkomunikasi dan interaksi sehari-hari antara teman tuli dengan orang normal. Berkembangnya teknologi secara pesat dapat membantu hambatan tersebut dengan adanya deep learning, pemanfaatan deep learning yang biasa digunakan adalah Long Short-Term Memory (LSTM). Penelitian sebelumnya menyebutkan bahwa GRU memiliki kecepatan yang kebih besar daripada LSTM dengan hasil yang kurang lebih mirip bahkan melampaui. Oleh karena itu GRU dapat dipertimbangkan untuk menjadi alternatif dalam sign language recognition secara real-time. Berdasarkan pertimbangan tersebut penulis melakukan penelitian terhadap performa GRU untuk sign language recognition pada BISINDO beserta faktor-faktor yang mempengaruhi kecepatan prediksi sign language recognition. Dengan menerapkannya ke dalam model yang dapat mengklasifikasikan 10 kelas kosakata gerakan isyarat BISINDO. Didapat hasil dari penelitian tersebut yaitu training accuracy 97.92%, training loss 0.2804, accuracy 99.86%, precision 99.37%, recall 99.33%, F1-Score 99.33% , ROC-AUC 99.99% dan inferences times 87.30 ms.

Kata kunci:Deep Learning, Convolutional Neural Network, RNN, GRU, LSTM, Mediapipe, BISINDO, Sign Language Recognition