Komunikasi adalah kebutuhan universal yang melibatkan semua individu. Setiap
orang perlu berinteraksi dengan lingkungannya, dan proses ini memungkinkan
kita untuk mengumpulkan informasi yang membantu kita beradaptasi. Komunikasi verbal, yang melibatkan berbicara dan mendengarkan, adalah metode
utama yang digunakan oleh banyak orang. Namun, ada beberapa individu yang
memiliki keterbatasan dalam mendengar atau berbicara, sehingga mereka
memerlukan metode alternatif, seperti bahasa isyarat. Bahasa isyarat adalah sistem
komunikasi yang biasanya digunakan oleh orang-orang dengan keterbatasan
pendengaran atau bicara. Salah satu standar yang paling dikenal adalah American
Sign Language (ASL). Meskipun penting, bahasa isyarat sering kali kurang
dipahami oleh masyarakat umum, sebagian besar karena kurangnya minat dan
pengetahuan tentang bahasa ini. ASL, seperti banyak bahasa isyarat lainnya, memiliki berbagai simbol dan tanda yang dibuat dengan jari dan tangan. Untuk
membantu lebih banyak orang memahami dan menggunakan bahasa isyarat, solusi yang diusulkan adalah pengembangan sistem yang dapat mengenali bahasa
isyarat menggunakan teknologi machine learning. Penelitian ini menyarankan
pendekatan klasifikasi ASL yang melibatkan preprocessing data dan model
jaringan saraf konvolusional. Model ini dirancang untuk mengklasifikasikan
gambar postur tangan ASL dan menerjemahkannya menjadi alfabet. Hasil
penelitian ini menunjukkan tingkat akurasi sebesar 99,8%, yang dicapai melalui
kombinasi preprocessing data dan model jaringan saraf konvolusional.