Kurangnya informasi terkait pengenalan abjad Bahasa Isyarat Indonesia (BISINDO) menjadi tantangan dalam pertukaran informasi antara individu dengan pendengaran normal dan penyandang tuli. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan membuat model Convolutional Neural Network (CNN) menggunakan arsitektur DenseNet 201 untuk pengenalan abjad BISINDO dan mengevaluasi akurasinya. Selain itu, penelitian ini juga bertujuan untuk mengetahui tingkat akurasi, merancang sistem klasifikasi abjad BISINDO menggunakan teknologi CNN dan DenseNet 201, serta mengembangkan tahap awal yang menjadi bagian utama dalam pengenalan keseluruhan kamus BISINDO. Model ini dirancang untuk mendeteksi kelas dari bentuk abjad pada pola tangan melalui beberapa tahapan, termasuk pengumpulan dan pembagian data, pengubahan ukuran gambar, augmentasi data, serta penerapan arsitektur DenseNet 201 yang melibatkan lapisan convolutional, maxpooling, ReLU, dropout, dan dense. Proses pelatihan model dilakukan selama 22 epoch dengan batch size 32. Implementasi sistem ini dilakukan menggunakan framework Django. Hasil penelitian menunjukkan bahwa model terbaik diperoleh dengan arsitektur DenseNet 201, batch size 32, dan pelatihan sebanyak 22 epoch, menghasilkan akurasi sebesar 96%. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan efektivitas pertukaran informasi antara individu normal dan penyandang tuli, serta menawarkan solusi teknologi inovatif dalam pengenalan bahasa isyarat.

The lack of information on Indonesian Sign Language (BISINDO) alphabet recognition presents a significant challenge in facilitating effective communication between individuals with normal hearing and those who are deaf. This research aims to address this issue by developing a Convolutional Neural Network (CNN) model using DenseNet 201 architecture for recognizing the BISINDO alphabet and evaluating its accuracy. Additionally, the research seeks to design a BISINDO alphabet classification system employing CNN and DenseNet 201, and to develop an initial stage crucial for the broader recognition of the BISINDO dictionary. The model is designed to recognize alphabetic shapes in hand patterns through stages such as data collection, image resizing, data augmentation, and the application of DenseNet 201 layers, including convolutional, maxpooling, ReLU, dropout, and dense layers. The model was trained for 22 epochs with a batch size of 32, and the system was implemented using the Django framework. The best model achieved an accuracy of 96%. This study makes a significant contribution by improving the effectiveness of communication between individuals with normal hearing and those who are deaf, offering an innovative technological solution for sign language recognition.