ademaulana commited on
Commit
09b9772
·
verified ·
1 Parent(s): b920720

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +4 -4
README.md CHANGED
@@ -3,11 +3,11 @@ license: mit
3
  language:
4
  - id
5
  ---
6
- # 🤟 BISINDO CNN Hand Landmark Classifier
7
 
8
  Model ini merupakan model klasifikasi alfabet BISINDO (Bahasa Isyarat Indonesia) menggunakan CNN (Convolutional Neural Network) berbasis data landmark 2 tangan yang diekstraksi menggunakan **MediaPipe**. Model ini dikembangkan menggunakan Keras Functional API.
9
 
10
- ## 📊 Arsitektur Model
11
 
12
  Model CNN dikembangkan dengan arsitektur sederhana menggunakan `Conv1D` yang dirancang untuk memproses urutan data landmark tangan:
13
 
@@ -23,11 +23,11 @@ x = Dropout(0.4)(x)
23
  output_layer = Dense(y.shape[1], activation='softmax')(x)
24
  ```
25
 
26
- ## 🗃️ Dataset
27
  - Dataset awal berasal dari hasil ekstraksi gambar alfabet BISINDO.
28
  - Untuk mengatasi keterbatasan jumlah data dan mencegah overfitting, dilakukan augmentasi data 10x lipat menggunakan:Rotasi (±15°),Skala (zoom in/out),Translasi acak, dan Gaussian noise ringan
29
 
30
- ## 🎯 Akurasi Model
31
  - Akurasi training: 98.7%
32
  - Akurasi validasi: 97.9%
33
  - Jumlah epoch: 28 (Early stopping)
 
3
  language:
4
  - id
5
  ---
6
+ # BISINDO CNN Hand Landmark Classifier
7
 
8
  Model ini merupakan model klasifikasi alfabet BISINDO (Bahasa Isyarat Indonesia) menggunakan CNN (Convolutional Neural Network) berbasis data landmark 2 tangan yang diekstraksi menggunakan **MediaPipe**. Model ini dikembangkan menggunakan Keras Functional API.
9
 
10
+ ## Arsitektur Model
11
 
12
  Model CNN dikembangkan dengan arsitektur sederhana menggunakan `Conv1D` yang dirancang untuk memproses urutan data landmark tangan:
13
 
 
23
  output_layer = Dense(y.shape[1], activation='softmax')(x)
24
  ```
25
 
26
+ ## Dataset
27
  - Dataset awal berasal dari hasil ekstraksi gambar alfabet BISINDO.
28
  - Untuk mengatasi keterbatasan jumlah data dan mencegah overfitting, dilakukan augmentasi data 10x lipat menggunakan:Rotasi (±15°),Skala (zoom in/out),Translasi acak, dan Gaussian noise ringan
29
 
30
+ ## Akurasi Model
31
  - Akurasi training: 98.7%
32
  - Akurasi validasi: 97.9%
33
  - Jumlah epoch: 28 (Early stopping)