Semaphore adalah alat komunikasi visual yang menggunakan bendera, tangan, atau perangkat lain untuk mengirimkan informasi melalui serangkaian sinyal yang dapat dilihat. Hingga saat ini, semaphore masih sering digunakan baik pada acara pramuka ataupun untuk berkomunikasi di alam luar. Tetapi, tidak terlalu banyak orang yang memahami Bahasa isyarat semaphore. Maka dari itu dibutuhkannya sebuah teknologi yang dapat membantu orang demi memahami isyarat semaphore. Salah satu metode deep learning yang biasa digunakan untuk mengklasifikasi citra adalah Convolutional Neural Network (CNN) dengan menggunakan arsitektur Inception yang terbukti dapat digunakan untuk klasifikasi citra ditambah dengan aplikasi mobile untuk mempermudah penggunaan model klasifikasi. Penelitian ini menggunakan data yang berasal dari meddley dan disediakan secara mandiri dengan total data sebanyak 12012. Hasil pengujian metode Convolutional Neural Network dengan arsitektur Inception memperoleh akurasi sebesar 89%. Dengan implementasi model kedalam aplikasi mobile menggunakan tensorflow lite.

Semaphore is a visual communication tool that uses flags, hands, or other devices to transmit information through a series of visible signals. Until now,semaphore is still often used both at scout events and to communicate in the outdoors. However, not too many people understand semaphore sign language.semaphore. Therefore, there is a need for a technology that can help people understand semaphore signs.people to understand semaphore signs. One of the deep learning methods that is commonly used to classify images is the Convolutional Neural Network (CNN) using the Inception architecture which is proven to be able to be used for image classification coupled with mobile applications to facilitate the use of classification models. This research uses data derived from meddley and provided independently with a total of 12012 data. Testing results of the Convolutional Neural Network method with Inception architecture obtained an accuracy of 89%. With the implementation of the model into a mobile application using tensorflow lite.