Bayangkan kamu sedang berada di sebuah rumah sakit. Seorang pasien penyandang tuli ingin menjelaskan rasa sakit yang dirasakan kepada tenaga medis. Di sisi lain, dokter maupun perawat tidak memahami bahasa isyarat. Situasi seperti ini mungkin hanya berlangsung beberapa menit, tetapi dapat menimbulkan kesalahpahaman yang berdampak besar terhadap pelayanan yang diterima pasien. Kondisi serupa juga sering terjadi di sekolah, tempat kerja, kantor pemerintahan, hingga ruang publik. Hambatan komunikasi masih menjadi salah satu tantangan terbesar yang dihadapi penyandang tuli dalam kehidupan sehari-hari.

Bahasa isyarat sebenarnya telah menjadi media komunikasi utama bagi komunitas tuli di berbagai negara. Sayangnya, kemampuan memahami bahasa isyarat belum dimiliki oleh sebagian besar masyarakat. Akibatnya, komunikasi masih sering bergantung pada penerjemah atau anggota keluarga. Padahal, tidak semua situasi memungkinkan adanya penerjemah yang selalu mendampingi. Oleh karena itu, berbagai peneliti mulai mengembangkan teknologi yang mampu menjadi jembatan komunikasi antara penyandang tuli dan masyarakat umum.

Salah satu teknologi yang menarik perhatian dalam beberapa tahun terakhir adalah smart glove atau sarung tangan pintar. Berbeda dengan sarung tangan biasa, smart glove dilengkapi dengan berbagai sensor yang mampu membaca gerakan jari, posisi tangan, serta orientasi pergelangan tangan. Data tersebut kemudian diproses oleh sistem komputer untuk diterjemahkan menjadi teks ataupun suara secara otomatis. Dengan kata lain, smart glove berusaha mengubah bahasa isyarat menjadi bahasa yang dapat dipahami oleh semua orang.

Perkembangan smart glove tidak lepas dari kemajuan teknologi sensor, mikrokontroler, Internet of Things (IoT), dan kecerdasan buatan. Dahulu, sebagian besar sistem hanya mengandalkan sensor untuk membaca perubahan posisi jari, kemudian menerjemahkannya menggunakan aturan sederhana. Namun, pendekatan tersebut memiliki banyak keterbatasan. Setiap orang memiliki ukuran tangan, panjang jari, cara membentuk isyarat, bahkan kecepatan gerakan yang berbeda. Akibatnya, satu aturan yang bekerja dengan baik pada satu pengguna belum tentu memberikan hasil yang sama pada pengguna lainnya.

Di sinilah Machine Learning mulai memainkan peran yang sangat penting. Alih-alih mengandalkan aturan yang dibuat secara manual, Machine Learning memungkinkan sistem mempelajari pola dari ribuan contoh gerakan bahasa isyarat. Semakin banyak data yang dipelajari, semakin baik pula kemampuan sistem dalam mengenali berbagai variasi gerakan. Pendekatan ini membuat smart glove menjadi lebih adaptif terhadap perbedaan karakteristik setiap pengguna.

Menurut Saeed dkk. (2022), penelitian mengenai smart glove mengalami perkembangan yang sangat pesat dalam beberapa tahun terakhir. Hal ini didorong oleh meningkatnya kebutuhan akan teknologi komunikasi yang lebih inklusif bagi penyandang tuli. Dalam tinjauan sistematis terhadap lebih dari seratus penelitian, mereka menemukan bahwa smart glove memiliki berbagai keunggulan dibandingkan pendekatan berbasis kamera. Smart glove mampu bekerja pada kondisi pencahayaan yang kurang baik, tidak bergantung pada latar belakang gambar, memiliki mobilitas yang tinggi, serta lebih mudah digunakan dalam berbagai lingkungan. Selain sebagai alat komunikasi, teknologi ini juga memiliki potensi penerapan pada bidang pendidikan, kesehatan, industri, hingga interaksi manusia dengan komputer. Referensi tersebut juga menunjukkan bahwa perkembangan smart glove tidak hanya berfokus pada perangkat keras, tetapi juga pada peningkatan kecerdasan sistem melalui penerapan Machine Learning. (Saeed et al., 2022).

Lalu, mengapa smart glove menjadi salah satu pendekatan yang paling menjanjikan dibandingkan teknologi lain?

Selama ini terdapat dua pendekatan utama dalam pengenalan bahasa isyarat. Pendekatan pertama menggunakan kamera atau dikenal sebagai vision-based recognition. Kamera akan menangkap gambar atau video gerakan tangan, kemudian algoritma komputer akan menganalisis setiap frame untuk menentukan gesture yang dilakukan pengguna.

Pendekatan berbasis kamera memang memiliki kelebihan karena pengguna tidak perlu mengenakan perangkat tambahan. Akan tetapi, sistem seperti ini juga memiliki beberapa kelemahan. Misalnya, kamera sangat dipengaruhi oleh pencahayaan, posisi tangan, latar belakang, hingga kemungkinan tangan tertutup oleh benda lain. Kondisi tersebut dapat menurunkan akurasi pengenalan gesture, terutama ketika digunakan di lingkungan nyata yang tidak selalu ideal.

Sebaliknya, smart glove menggunakan pendekatan sensor-based recognition. Seluruh informasi mengenai gerakan tangan diperoleh secara langsung melalui sensor yang dipasang pada sarung tangan. Dengan demikian, sistem tidak perlu bergantung pada kualitas gambar yang dihasilkan kamera. Menurut Saeed dkk. (2022), pendekatan berbasis sensor memberikan hasil yang lebih stabil pada berbagai kondisi lingkungan serta memiliki tingkat portabilitas yang lebih baik dibandingkan sistem berbasis kamera.

Keunggulan tersebut menjadi salah satu alasan mengapa banyak penelitian modern mulai mengombinasikan smart glove dengan algoritma Machine Learning. Tujuannya bukan hanya membaca gerakan tangan, tetapi juga memahami pola gerakan yang kompleks sehingga proses penerjemahan menjadi lebih akurat dan lebih alami.

Agar mampu memahami bahasa isyarat, smart glove memerlukan beberapa sensor yang bekerja secara bersamaan. Sensor pertama yang paling umum digunakan adalah Flex Sensor. Sensor ini bertugas mengukur tingkat tekukan setiap jari. Cara kerjanya cukup sederhana. Ketika jari berada dalam posisi lurus, nilai resistansi sensor berada pada kondisi normal. Saat jari mulai ditekuk, nilai resistansi akan berubah sehingga menghasilkan sinyal listrik yang dapat dibaca oleh mikrokontroler. Dari perubahan tersebut, sistem dapat mengetahui seberapa besar sudut tekukan setiap jari.

Flex Sensor menjadi pilihan utama karena memiliki ukuran yang tipis, ringan, mudah dipasang pada sarung tangan, dan relatif terjangkau. Tidak heran apabila sebagian besar penelitian menggunakan lima buah Flex Sensor yang dipasang pada masing-masing jari. Dengan demikian, sistem dapat mengetahui bentuk tangan secara lebih rinci.

Namun, hanya mengetahui posisi jari saja ternyata belum cukup. Bayangkan dua orang sama-sama membentuk posisi jari yang hampir identik, tetapi salah satunya menggerakkan tangan ke atas, sedangkan yang lain menggerakkannya ke samping. Apabila sistem hanya membaca tekukan jari, kedua gesture tersebut bisa dianggap sama, padahal memiliki arti yang berbeda.

Di sinilah sensor MPU6050 mulai berperan. Modul ini merupakan gabungan antara akselerometer dan giroskop yang mampu membaca percepatan, rotasi, serta orientasi tangan dalam tiga sumbu. Informasi tersebut melengkapi data dari Flex Sensor sehingga sistem tidak hanya mengetahui bentuk tangan, tetapi juga arah gerakan tangan selama melakukan bahasa isyarat.

Kombinasi antara Flex Sensor dan MPU6050 menghasilkan data yang jauh lebih lengkap dibandingkan apabila hanya menggunakan satu jenis sensor. Data mengenai bentuk jari dipadukan dengan informasi mengenai orientasi dan pergerakan tangan. Semakin lengkap informasi yang diperoleh, semakin mudah pula sistem membedakan gesture yang memiliki bentuk tangan serupa tetapi arah gerak yang berbeda. Karena alasan tersebut, banyak penelitian merekomendasikan penggunaan multisensor untuk meningkatkan akurasi sistem pengenalan bahasa isyarat (Saeed et al., 2022).

Meskipun demikian, muncul pertanyaan yang cukup menarik. Apakah data sensor saja sudah cukup agar smart glove dapat memahami bahasa isyarat?

Jawabannya adalah belum. Data sensor hanyalah kumpulan angka. Agar angka-angka tersebut berubah menjadi huruf, kata, atau kalimat, diperlukan suatu metode yang mampu mengenali pola dari data tersebut. Di sinilah Machine Learning menjadi “otak” dari smart glove.

Machine Learning dapat diibaratkan seperti proses seseorang belajar mengenali tulisan tangan. Ketika pertama kali melihat tulisan orang lain, kita mungkin kesulitan membacanya karena setiap orang memiliki gaya menulis yang berbeda. Namun, setelah melihat ratusan bahkan ribuan contoh, otak kita mulai memahami pola yang muncul. Kita tidak lagi menghafal setiap bentuk huruf satu per satu, melainkan belajar mengenali karakteristiknya secara umum.

Prinsip yang sama juga diterapkan pada smart glove. Sistem tidak diberi daftar aturan yang sangat rinci mengenai setiap gesture. Sebaliknya, sistem diberikan banyak contoh data sensor yang telah diberi label, misalnya data yang menunjukkan huruf A, B, C, dan seterusnya. Dari kumpulan data tersebut, algoritma Machine Learning akan mencari pola yang membedakan setiap gesture sehingga ketika pengguna melakukan gerakan baru, sistem dapat menentukan gesture yang paling sesuai.

Pendekatan ini jauh berbeda dibandingkan metode rule-based yang banyak digunakan pada penelitian generasi awal. Pada sistem rule-based, pengembang harus menentukan sendiri aturan untuk setiap gesture. Misalnya, jika nilai Flex Sensor pada ibu jari berada di atas angka tertentu, jari telunjuk lurus, dan orientasi tangan menghadap ke depan, maka sistem menganggap gesture tersebut sebagai huruf tertentu. Cara ini memang sederhana dan mudah diprogram, tetapi menjadi semakin rumit ketika jumlah gesture bertambah.

Masalah lainnya adalah tidak ada dua orang yang menghasilkan nilai sensor yang benar-benar sama. Seorang anak, orang dewasa, maupun lansia memiliki ukuran tangan dan kekuatan jari yang berbeda. Bahkan orang yang sama pun dapat menghasilkan nilai sensor yang sedikit berbeda setiap kali mengulang gesture. Akibatnya, aturan yang dibuat secara manual sering kali tidak mampu mengakomodasi seluruh variasi tersebut.

Machine Learning mengatasi masalah tersebut dengan mempelajari hubungan antara data sensor dan gesture secara otomatis. Semakin banyak variasi data yang digunakan saat pelatihan, semakin baik pula kemampuan model dalam mengenali gesture baru. Inilah alasan mengapa sebagian besar penelitian terbaru mulai meninggalkan pendekatan rule-based dan beralih ke Machine Learning maupun Deep Learning. Saeed dkk. (2022) juga menyebutkan bahwa penggunaan algoritma Machine Learning merupakan salah satu rekomendasi utama untuk meningkatkan kemampuan smart glove dalam mengenali bahasa isyarat yang lebih kompleks serta memperluas jumlah gesture yang dapat diterjemahkan.

Lalu, bagaimana sebenarnya Machine Learning bekerja pada smart glove?

Prosesnya dimulai dari tahap pengumpulan data. Pengguna diminta melakukan setiap gesture beberapa kali sambil mengenakan smart glove. Selama proses tersebut, seluruh sensor akan mengirimkan data secara terus-menerus. Misalnya, lima buah Flex Sensor akan menghasilkan informasi mengenai tingkat tekukan masing-masing jari, sedangkan MPU6050 akan menghasilkan data percepatan dan orientasi tangan pada tiga sumbu.

Seluruh data tersebut kemudian disimpan dalam sebuah dataset. Setiap baris data diberi label sesuai gesture yang dilakukan. Sebagai contoh, apabila pengguna membentuk huruf A, maka seluruh data sensor yang dihasilkan akan diberi label “A”. Hal yang sama dilakukan untuk huruf lainnya sehingga terbentuk kumpulan data yang siap digunakan untuk melatih model Machine Learning.

Tahap berikutnya adalah preprocessing. Pada tahap ini data dibersihkan dari gangguan atau noise yang mungkin muncul akibat getaran, posisi sensor yang berubah, atau kesalahan pembacaan. Selain itu, nilai sensor biasanya dinormalisasi agar memiliki rentang yang seragam sehingga algoritma dapat mempelajari data dengan lebih efektif.

Setelah preprocessing selesai, data dibagi menjadi dua kelompok, yaitu data pelatihan dan data pengujian. Data pelatihan digunakan untuk mengajarkan model mengenali pola gesture, sedangkan data pengujian digunakan untuk mengevaluasi apakah model mampu mengenali data yang belum pernah dilihat sebelumnya. Apabila hasil pengujian menunjukkan akurasi yang baik, model dapat diterapkan pada smart glove untuk melakukan penerjemahan secara real-time.

Dalam dunia Machine Learning terdapat banyak algoritma yang dapat digunakan. Masing-masing memiliki kelebihan dan kekurangan tergantung karakteristik data yang digunakan.

Salah satu algoritma yang cukup sederhana adalah Decision Tree. Algoritma ini bekerja dengan membentuk pohon keputusan berdasarkan karakteristik data sensor. Setiap percabangan mewakili suatu kondisi hingga akhirnya menghasilkan keputusan mengenai gesture yang dikenali. Decision Tree memiliki keunggulan karena mudah dipahami dan proses komputasinya relatif ringan, sehingga cocok digunakan pada perangkat dengan sumber daya terbatas. Namun, algoritma ini cenderung mengalami overfitting apabila jumlah data pelatihan terlalu sedikit atau terlalu spesifik.

Untuk mengatasi kelemahan tersebut, banyak peneliti menggunakan Random Forest. Algoritma ini merupakan kumpulan dari banyak Decision Tree yang bekerja secara bersamaan. Setiap pohon memberikan prediksi, kemudian sistem memilih hasil yang paling banyak disepakati. Pendekatan ini umumnya menghasilkan akurasi yang lebih baik dibandingkan menggunakan satu Decision Tree saja, terutama ketika data memiliki variasi yang tinggi.

Selain itu terdapat Support Vector Machine atau SVM. Algoritma ini dikenal memiliki performa yang baik pada dataset berukuran kecil hingga menengah. SVM bekerja dengan mencari batas pemisah terbaik antar kelas sehingga setiap gesture dapat dibedakan secara jelas. Oleh karena itu, SVM masih sering digunakan pada penelitian smart glove yang jumlah datanya belum terlalu besar.

Perkembangan berikutnya mengarah pada penggunaan Artificial Neural Network atau ANN. Algoritma ini meniru cara kerja jaringan saraf manusia dalam mengenali pola yang kompleks. Dibandingkan algoritma sebelumnya, ANN mampu mempelajari hubungan nonlinier yang sulit dikenali menggunakan metode konvensional. Akan tetapi, ANN membutuhkan jumlah data yang lebih besar agar menghasilkan performa yang optimal.

Dalam beberapa tahun terakhir, perhatian para peneliti semakin beralih pada Deep Learning, khususnya Long Short-Term Memory atau LSTM. Algoritma ini dirancang khusus untuk memproses data berurutan atau time series. Hal tersebut sangat sesuai dengan karakteristik bahasa isyarat karena gesture bukan hanya terdiri atas posisi tangan pada satu waktu, tetapi juga rangkaian gerakan dari waktu ke waktu.

Bayangkan seseorang sedang menulis huruf di udara menggunakan jari. Jika hanya melihat satu gambar, kita mungkin tidak mengetahui huruf apa yang sedang ditulis. Namun, ketika melihat keseluruhan gerakannya, kita dapat mengenali pola tersebut dengan mudah. LSTM bekerja menggunakan prinsip yang hampir sama. Algoritma ini mampu mengingat informasi dari langkah sebelumnya sehingga dapat memahami urutan gerakan secara lebih utuh dibandingkan algoritma klasifikasi biasa.

Keunggulan tersebut membuat LSTM menjadi salah satu algoritma yang paling banyak digunakan dalam penelitian smart glove modern. Pada penelitian yang menjadi salah satu referensi artikel ini, model LSTM digunakan untuk memproses data yang berasal dari sensor regangan dan sensor gerak sehingga mampu mengenali gesture bahasa isyarat secara real-time dengan performa yang sangat baik. Hasil tersebut menunjukkan bahwa Deep Learning memiliki potensi besar untuk meningkatkan kualitas sistem penerjemahan bahasa isyarat dibandingkan metode konvensional.

Walaupun menawarkan akurasi yang tinggi, penggunaan Machine Learning juga menghadapi berbagai tantangan. Salah satu tantangan terbesar adalah ketersediaan dataset. Model Machine Learning hanya dapat belajar dengan baik apabila memiliki data yang cukup banyak dan beragam. Sayangnya, sebagian besar penelitian smart glove masih menggunakan dataset yang relatif kecil dan hanya mencakup huruf atau angka. Kondisi ini menyebabkan model belum sepenuhnya mampu menerjemahkan percakapan sehari-hari yang lebih kompleks. Menurut Saeed dkk. (2022), pengembangan dataset yang lebih besar serta mencakup kata, kalimat, dan berbagai variasi pengguna merupakan salah satu kebutuhan utama dalam penelitian smart glove di masa depan.

Meskipun perkembangan Machine Learning membawa banyak peningkatan, bukan berarti smart glove sudah menjadi teknologi yang sempurna. Masih terdapat berbagai tantangan yang harus diselesaikan sebelum perangkat seperti SignTalk Glove dapat digunakan secara luas dalam kehidupan sehari-hari.

Salah satu tantangan terbesar adalah variasi gerakan antar pengguna. Bahasa isyarat memang memiliki aturan tertentu, tetapi cara setiap orang melakukan gesture tidak selalu sama. Ada pengguna yang menggerakkan tangan lebih cepat, ada yang lebih lambat, dan ada pula yang memiliki kebiasaan membentuk sudut jari yang sedikit berbeda. Variasi tersebut menyebabkan data yang diterima sensor juga berubah. Jika model Machine Learning hanya dilatih menggunakan data dari sedikit orang, model tersebut kemungkinan akan mengalami kesulitan ketika digunakan oleh pengguna lain yang memiliki karakteristik tangan berbeda.

Selain itu, posisi pemasangan sensor juga sangat memengaruhi kualitas data. Flex Sensor harus dipasang mengikuti posisi ruas jari agar mampu membaca perubahan tekukan secara optimal. Sedikit pergeseran saja dapat menghasilkan nilai sensor yang berbeda meskipun gesture yang dilakukan tetap sama. Hal serupa juga berlaku pada MPU6050. Apabila posisi modul berubah, orientasi yang terbaca dapat mengalami perbedaan sehingga memengaruhi proses klasifikasi.

Faktor lain yang tidak kalah penting adalah kualitas dataset. Dalam Machine Learning sering muncul istilah “garbage in, garbage out”, yang berarti kualitas keluaran sangat bergantung pada kualitas data yang digunakan. Model secanggih apa pun tidak akan menghasilkan prediksi yang baik apabila data pelatihannya sedikit, tidak seimbang, atau mengandung banyak kesalahan. Oleh karena itu, proses pengumpulan dataset menjadi salah satu tahapan yang paling penting dalam pengembangan smart glove.

Tantangan berikutnya berkaitan dengan kemampuan mengenali gesture dinamis. Sebagian besar penelitian awal hanya berfokus pada pengenalan huruf alfabet atau angka karena bentuk gesture relatif sederhana. Namun, komunikasi sehari-hari tidak hanya terdiri atas huruf. Penyandang tuli lebih sering menggunakan kata, frasa, bahkan kalimat yang melibatkan rangkaian gerakan secara berurutan. Mengenali gesture seperti ini jauh lebih sulit dibandingkan mengenali satu posisi tangan. Inilah alasan mengapa penelitian terbaru mulai mengarah pada penggunaan Deep Learning, khususnya LSTM, karena algoritma tersebut mampu memahami hubungan antar gerakan dalam suatu urutan waktu.

Aspek kenyamanan pengguna juga menjadi perhatian penting. Sebuah smart glove mungkin memiliki akurasi yang sangat tinggi, tetapi jika ukurannya terlalu besar, terlalu berat, atau membutuhkan banyak kabel, pengguna akan enggan memakainya dalam aktivitas sehari-hari. Oleh karena itu, pengembangan perangkat keras tidak hanya berfokus pada peningkatan akurasi, tetapi juga pada desain yang ringan, ergonomis, hemat daya, dan nyaman digunakan dalam waktu yang lama.

Perkembangan perangkat mikrokontroler seperti ESP32 membuka peluang yang lebih besar untuk mengembangkan smart glove yang lebih praktis. ESP32 memiliki kemampuan pemrosesan yang cukup baik, mendukung komunikasi Bluetooth dan Wi-Fi, serta memiliki konsumsi daya yang relatif rendah. Dengan kemampuan tersebut, hasil klasifikasi dari Machine Learning dapat langsung dikirim ke aplikasi Android atau perangkat lain tanpa memerlukan kabel tambahan. Pengguna cukup mengenakan smart glove, kemudian hasil penerjemahan akan muncul secara real-time pada layar ponsel atau diubah menjadi suara menggunakan teknologi Text-to-Speech.

Dalam beberapa tahun ke depan, perkembangan Artificial Intelligence diperkirakan akan membawa perubahan yang lebih besar lagi terhadap teknologi smart glove. Jika saat ini sebagian besar penelitian masih berfokus pada pengenalan huruf dan kata, maka generasi berikutnya diperkirakan mampu menerjemahkan percakapan secara utuh. Sistem tidak hanya mengenali satu gesture, tetapi juga memahami konteks kalimat sehingga hasil terjemahan menjadi lebih alami.

Kemajuan Large Language Model (LLM) juga membuka peluang baru. Setelah smart glove berhasil mengenali gesture, hasilnya tidak harus langsung ditampilkan apa adanya. Model AI dapat membantu menyusun kalimat agar lebih mudah dipahami oleh lawan bicara. Sebagai contoh, apabila pengguna melakukan beberapa gesture yang membentuk kalimat sederhana, AI dapat memperbaiki struktur kalimat tanpa mengubah makna yang ingin disampaikan. Pendekatan seperti ini berpotensi membuat komunikasi menjadi lebih lancar dibandingkan hanya menerjemahkan setiap gesture secara terpisah.

Teknologi cloud juga dapat dimanfaatkan untuk meningkatkan kemampuan smart glove. Model Machine Learning yang kompleks sering kali membutuhkan kapasitas komputasi yang cukup besar. Dengan bantuan cloud, proses inferensi maupun pembaruan model dapat dilakukan secara daring sehingga perangkat yang digunakan pengguna tetap ringan. Selain itu, model juga dapat terus diperbarui menggunakan dataset terbaru sehingga akurasinya semakin meningkat dari waktu ke waktu.

Meskipun memiliki potensi yang sangat besar, penting untuk dipahami bahwa smart glove bukan bertujuan menggantikan bahasa isyarat maupun peran penerjemah profesional. Teknologi ini lebih tepat diposisikan sebagai alat bantu komunikasi. Dalam situasi tertentu, seperti ketika berada di rumah sakit, kantor pelayanan publik, sekolah, atau tempat umum yang tidak memiliki penerjemah bahasa isyarat, smart glove dapat menjadi solusi praktis untuk membantu penyandang tuli menyampaikan informasi kepada orang lain.

Melihat perkembangan penelitian dalam beberapa tahun terakhir, dapat disimpulkan bahwa masa depan smart glove sangat bergantung pada kemajuan Machine Learning. Sensor yang semakin akurat, dataset yang semakin besar, serta algoritma yang semakin cerdas akan saling melengkapi dalam menciptakan sistem penerjemah bahasa isyarat yang lebih andal. Tidak menutup kemungkinan bahwa beberapa tahun ke depan smart glove akan menjadi perangkat yang umum digunakan layaknya smartwatch atau earphone nirkabel.

Pada akhirnya, teknologi bukan hanya tentang menciptakan perangkat yang lebih canggih, tetapi juga tentang memberikan manfaat bagi kehidupan manusia. Dalam konteks ini, SignTalk Glove menunjukkan bagaimana perpaduan antara sensor, Internet of Things, dan Machine Learning dapat menjadi jembatan komunikasi bagi penyandang tuli dengan masyarakat luas. Semakin berkembang teknologi ini, semakin besar pula peluang untuk menciptakan lingkungan yang lebih inklusif, di mana setiap orang dapat berkomunikasi tanpa dibatasi oleh perbedaan kemampuan mendengar.

Daftar Pustaka

Saeed, S., et al. (2022). Glove-Based Sign Language Recognition Systems: A Systematic Review. Journal of Sensors.